位姿估计和坐标系变换
在SLAM中,所谓的位姿其实指的是相机在世界坐标系中的位姿。位姿包括两方面:位置和姿势,即三维坐标和朝向。如下所示,建图的过程就需要知道每一刻相机的位姿,从而将当前相机捕获的点云注册到全局的点云模型中。常用的变换有:世界坐标系 -> 相机坐标系和相机的位姿 -> 世界坐标系如下所示:世界坐标系为wxywxywxy, 相机坐标系为cx’y’cx^’y^’cx’y’, PPP...
SLAM是一个“鸡生蛋和蛋生鸡”的问题,要定位需要重建,一般通过当前sensor看到到场景跟建好的地图进行匹配确定自身的位置。简单的例子:比如你在平面上,别人问你的坐标,那么很显然你得先有坐标系。要重建又需要精确的定位信息,如果没有相机位姿,那么当前帧数据无法统一注册到世界坐标系下。
在SLAM中,所谓的位姿其实指的是相机在世界坐标系中的位姿。位姿包括两方面:位置和姿势,即三维坐标和朝向。如下所示,建图的过程就需要知道每一刻相机的位姿,从而将当前相机捕获的点云注册到全局的点云模型中。
常用的变换有:世界坐标系 -> 相机坐标系 和 相机的位姿 -> 世界坐标系
如下所示:世界坐标系为wxywxywxy, 相机坐标系为cx’y’cx^’y^’cx’y’, PPP在世界坐标下的坐标为(a,b)(a,b)(a,b), PPP在相机坐标系下的坐标为(a’b’)(a^’b^’)(a’b’)。
(1) 已知相机坐标系在世界坐标系的位姿为:TcwT_{cw}Tcw, 世界坐标中的点 PwP_wPw, 那么相机坐标系的坐标为Pc=Tcw−1PwP_c = T^{-1}_{cw}P_wPc=Tcw−1Pw
(2) 已知相机坐标系在世界坐标系的位姿为:TcwT_{cw}Tcw, 相机坐标中的点 PcP_cPc, 那么世界坐标系的坐标为Pw=TcwPcP_w = T_{cw}P_cPw=TcwPc
TcwT_{cw}Tcw和 Tcw−1T^{-1}_{cw}Tcw−1均可作为相机位姿, 主流的如ORBSLAM采用后者作为相机的位姿。
可以检验一下:
(1)只包含平移,相机坐标系在世界坐标下只有平移,平移向量为(2,2)(2,2)(2,2), 那么Tcw=[102012001]T_{cw} = \begin{bmatrix} 1 & 0 & 2\\ 0 & 1 & 2\\ 0 & 0 & 1 \end{bmatrix}Tcw=⎣⎡100010221⎦⎤, Tcw−1=[10−201−2001]T^{-1}_{cw} = \begin{bmatrix} 1 & 0 & -2\\ 0 & 1 & -2\\ 0 & 0 & 1 \end{bmatrix}Tcw−1=⎣⎡100010−2−21⎦⎤
已知世界坐标系中的坐标为 Pw(3,3)P_w(3,3)Pw(3,3), 转换到相机坐标系下为: Pc=Tcw−1Pw=[10−201−2001]∗[331]=[111]P_c = T^{-1}_{cw} P_w = \begin{bmatrix} 1 & 0 & -2\\ 0 & 1 & -2\\ 0 & 0 & 1 \end{bmatrix} * \begin{bmatrix} 3 \\ 3 \\ 1 \end{bmatrix} = \begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix}Pc=Tcw−1Pw=⎣⎡100010−2−21⎦⎤∗⎣⎡331⎦⎤=⎣⎡111⎦⎤。因此,相机坐标系下的坐标Pc=(1,1)P_c = (1,1)Pc=(1,1)
反之,已知相机坐标系下的坐标 Pc(1,1)P_c(1,1)Pc(1,1), 转换到世界坐标系下为: Pw=TcwPc=[102012001]∗[111]=[331]P_w = T_{cw} P_c = \begin{bmatrix} 1 & 0 & 2\\ 0 & 1 & 2\\ 0 & 0 & 1 \end{bmatrix} * \begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix} = \begin{bmatrix} 3 \\ 3 \\ 1 \end{bmatrix}Pw=TcwPc=⎣⎡100010221⎦⎤∗⎣⎡111⎦⎤=⎣⎡331⎦⎤, 因此,世界坐标系下的坐标Pw=(3,3)P_w = (3,3)Pw=(3,3)
(2)只包含旋转, 相机坐标系在世界坐标系中逆时针旋转了180°180\degree180°, 那么位姿矩阵Tcw=[−1000−10001]T_{cw} = \begin{bmatrix} -1 & 0 & 0\\ 0 & -1 & 0\\ 0 & 0 & 1 \end{bmatrix}Tcw=⎣⎡−1000−10001⎦⎤, Tcw−1=[−1000−10001]T^{-1}_{cw} = \begin{bmatrix} -1 & 0 & 0\\ 0 & -1 & 0\\ 0 & 0 & 1 \end{bmatrix}Tcw−1=⎣⎡−1000−10001⎦⎤,
已知世界坐标系中的坐标为 Pw(3,3)P_w(3,3)Pw(3,3), 转换到相机坐标系下为Pc=Tcw−1Pw=(−3,−3)P_c = T^{-1}_{cw} P_w = (-3,-3)Pc=Tcw−1Pw=(−3,−3)
反之,相机坐标下的坐标为Pc(−3,−3)P_c(-3,-3)Pc(−3,−3), 转换到世界坐标系下为Pw=TcwPc=(3,3)P_w = T_{cw}P_c = (3,3)Pw=TcwPc=(3,3)
(3)既包含旋转又包含平移,先逆时针旋转180°180\degree180°, 然后平移(2,2)(2,2)(2,2), 因此Tcw=[0−12102001]T_{cw} = \begin{bmatrix} 0 & -1 & 2\\ 1 & 0 & 2\\ 0 & 0 & 1 \end{bmatrix}Tcw=⎣⎡010−100221⎦⎤, Tcw−1=[01−2−102001]T^{-1}_{cw} = \begin{bmatrix} 0 & 1 & -2\\ -1 & 0 & 2\\ 0 & 0 & 1 \end{bmatrix}Tcw−1=⎣⎡0−10100−221⎦⎤,
已知世界坐标系中的坐标为 Pw(2,2)P_w(2,2)Pw(2,2), 转换到相机坐标系下为Pc=Tcw−1Pw=(0,0)P_c =T^{-1}_{cw} P_w = (0,0)Pc=Tcw−1Pw=(0,0)
已知世界坐标系中的坐标为 Pw(3,3)P_w(3,3)Pw(3,3), 转换到相机坐标系下为Pc=Tcw−1Pw=(1,−1)P_c =T^{-1}_{cw} P_w = (1,-1)Pc=Tcw−1Pw=(1,−1)
反之,已知相机坐标系中的坐标为 Pc(0,0)P_c(0,0)Pc(0,0), 转换到相机坐标系下为Pw=TcwPc=(2,2)P_w =T_{cw} P_c = (2,2)Pw=TcwPc=(2,2)
更多推荐

所有评论(0)