【SLAM论文笔记】PL-EVIO笔记（下）

线特征的表达

Plucker坐标：
$${\mathbf{L}}_w=[{\mathbf{n}}_w^l,{\mathbf{d}}_w^l]$$
${\mathbf{n}}_w^l$指由坐标系原点与线决定的平面的法向量，${\mathbf{d}}_w^l$指由线段端点决定的方向向量。

从世界坐标系$w$转到第k帧事件相机坐标系$e_k$，
L e = [ R w e [ t w e ] × R w e 0 R w e ] L w = [ n e l d e l ] \bold{L}_e=\left[

\right]\bold{L}_w = Le​=[Rwe​0​[twe​]×​Rwe​Rwe​​]Lw​=[nel​​del​]​
将相机坐标系下的直线投影到像平面，
l e = π e n e l = [ l 1 l 2 l 3 ] T \bold{l}_e = \pi_e\bold{n}^l_e=

[l1l2l3]" role="presentation" style="position: relative;">[l1l2l3]$$\begin{array}{ccc}[l_1& l_2& l_3]\end{array}$$

^T le​=πe​nel​=[l1​​l2​​l3​]​T
$\pi$指相机投影方程，与投影3D点形式一致。

6参数与4参数

论文作者讲4参数正交表达在优化中有更好的收敛性能。
R ( θ ) = [ n w l ∣ ∣ n w l ∣ ∣ d w l ∣ ∣ d w l ∣ ∣ n w l × d w l ∣ ∣ n w l × d w l ∣ ∣ ] R ( o ) = [ c o s ( o ) − s i n ( o ) s i n ( o ) c o s ( o ) ] = 1 ∣ ∣ n w l ∣ ∣ 2 + ∣ ∣ d w l ∣ ∣ 2 [ ∣ ∣ n w l ∣ ∣ − ∣ ∣ d w l ∣ ∣ ∣ ∣ d w l ∣ ∣ ∣ ∣ n w l ∣ ∣ ] R(\theta)=[

] \\ R(o)=\left[\right]=\frac{1}{\sqrt{||n^l_w||^2+||d^l_w||^2}}\left[\right] R(θ)=[∣∣nwl​∣∣nwl​​​∣∣dwl​∣∣dwl​​​∣∣nwl​×dwl​∣∣nwl​×dwl​​​]R(o)=[cos(o)sin(o)​−sin(o)cos(o)​]=∣∣nwl​∣∣2+∣∣dwl​∣∣2 ​1​[∣∣nwl​∣∣∣∣dwl​∣∣​−∣∣dwl​∣∣∣∣nwl​∣∣​]

线特征的残差

采用线特征的两个端点到重投影线的距离形式，
$$d(p,{\mathbf{l}}_e)=\frac{p{\mathbf{l}}_e}{\sqrt{l_1^2+l_2^2}}$$
p采用齐次坐标$(u,v,1{)}^t$，上式即常见的点到直线的距离公式。

实验结果

用0-5s的真值位姿与估计值对齐，获得变换矩阵SE(3)，把输出轨迹与真值轨迹对齐，计算平均位置误差与轨迹长度的百分比作为精度指标。

实验室自采数据测试

首先VINS-Mono、ORB-SLAM3、PL-VINS、Ultimate SLAM EIO、Ultimate SLAMEVIO与论文不同配置的方法在自采测试数据上比较，PL-EVIO多个场景下平均相对精度最高，0.36%；尽管PL-EVIO多数条件下精度最高，但在弱光照下，PL-EIO胜过PL-EVIO；通过实验发现ORB-SLAM3的平均精度比VINS-Mono、PL-VINS、Ultimate SLAM EIO较高；将事件流积成边缘图像用于VIO，一次数据的调优参数的泛化能力很低。

UZH-FPV数据测试

PL-EVIO与ORB-SLAM3(Stereo)、VINS-Fusion(Stereo)、VINS-Mono、UltimateSLAM比较，看表格发现同一软件:单目VIO+低分辨率（346260）数据的结果相对精度比双目VIO+高分辨率（640480）的精度反而高。

四轴在线飞行实验

寻迹实验，使用VICON测量位姿真值，PL-EVIO的位置误差绝对值x&y在0.1m内，z在0.05m内，姿态滚转、俯仰角误差绝对值1度，航向角误差0-6度，显示线性发散过程。