1:GTSAM是什么
参考博文:gtsam:从入门到使用
1:是什么:
GTSAM是用于计算机视觉和多传感器融合方面用于平滑和建图的C++库,GTSAM采用因子图和贝叶斯网络的方式最大化后验概率 。
2:解决什么问题:
GTSAM解决SLAM和SFM的问题(lia_sam后端因子图优化)
2:贝叶斯网络和因子图
1:贝叶斯网络
1:贝叶斯网络是什么
贝叶斯网络(信念图)(有向无环图模型)是一种概率图模型。
2:贝叶斯网络的组成
- 节点:代表属性(变量或未知参数)
- 节点间的连线(弧):代表属性之间的依赖关系
3:例子
a和b是独立的,a和b通过弧指向c,则c的概率值将依赖于a和b,说明属性c受到a和b的影响,因为有向无环图,则c不会指向a和b。由上图可知:P(a,b,c)=P(a)P(b)P(c|a,b)成立。
具体更多例子参考:二. 贝叶斯网络
2: 因子图
1:什么是因子图
因子图就是对函数进行因子分解得到的概率图,由变量节点和函数节点组成
因子图的三个基本组成部分:
- 因子图(factor graph):它属于一个二分图,由因子和变量连接而成。
- 变量(variables):估计问题中的未知随机变量。
- 因子(factors):非线性因子表示变量之间的约束,在slam中,可能为landmark或者odometry的读数。
2:因子图的表示
全局函数可以通过因式分解得到多个局部函数的乘积,局部函数和对应变量的关系就体验在因子图上。
g
(
x
1
,
x
2
,
x
3
,
x
4
,
x
5
)
=
f
A
(
x
1
)
f
B
(
x
2
)
f
C
(
x
1
,
x
2
,
x
3
)
f
D
(
x
3
,
x
4
)
f
E
(
x
3
,
x
5
)
g\left(x_{1}, x_{2}, x_{3}, x_{4}, x_{5}\right)=f_{A}\left(x_{1}\right) f_{B}\left(x_{2}\right) f_{C}(x 1, x 2, x 3) f_{D}\left(x_{3}, x_{4}\right) f_{E}\left(x_{3}, x_{5}\right)
g(x1,x2,x3,x4,x5)=fA(x1)fB(x2)fC(x1,x2,x3)fD(x3,x4)fE(x3,x5)
其中
f
A
,
f
B
,
f
C
,
f
D
,
f
E
f_{A}, f_{B}, f_{C}, f_{D}, f_{E}
fA,fB,fC,fD,fE为各函数,表示变量直接的关系,可以是条件概率也可以是其他关系,对应的因子图为:
(两种表示方法)
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)