什么是机器人状态估计/VIO/VSLAM可观测性/FEJ？

Question

有人能解释机器人状态估计/VIO/VSLAM的可观测性/可观测性/FEJ的定义吗？

Answer 1

这些知识来自于向高博士和何一佳教授教授的VIO课程，以及Barfoot教授教授的机器人状态估计。可观测性问题直接给多传感器融合状态带来了关键手段: FEJ首先估计雅可比，即当同一状态下不同的残差为雅可比时，线性化点必须是一致的，以避免零空间退化和不可观测变量成为可观测变量。所以理解它是一件非常重要的事情。没有足够的信息和文档，初学者很难理解它。正如实践者应该知道的，前端的状态估计已经到了一个成熟的阶段，回环方法更加一致(如Word包或语义)，而后端优化是核心。H矩阵/或信息矩阵的处理和维护是这种矩阵维护的核心，而基于BA的滑动窗滤波是其基本手段之一。我们需要边际化和传输先前的信息(形成一个姿态图)，以便我们可以传递先验信息到下一个滑动窗口，同时节省开销。现在我们将把Marge后的变量描述为Xm，其余的变量描述为XrMarg之后:在Schur补运算之后，先验信息分别由残差矩阵B和先验信息矩阵λ组成。这两个矩阵由两个部分组成(不编写具体的组成)。相应的Jacobian和剩余R需要通过正定方程(增量方程)由两个矩阵来求解，但这样就产生了两个核心问题：

1. 变量和Marg被丢弃后的测量，在先验信息矩阵λ中关于Xr的雅可比不能在后续的解
2. 中更新，Xr中的一些变量也与其他残差相关，并且这些残差的雅可比值将在最新的线性化点上不断地计算，并随着新状态估计的迭代更新而不断计算。然后λ变成了λ1(线性化点是固定的)和λ2(线性化点是变化的)，最终会导致λ空空间的变化并引入错误信息。本文引入了线性代数的一个基本概念:满秩必须是可逆的，转置逆不变，非秩具有零空间。因此，引入了FEJ可观测性/可观测性。最常用、最直观的描述方法是:当状态发生变化时，具有7自由度的单目SLAM的测量变化不明显:3次旋转，3次平移，两种尺度都不明显，单目+IMU不明显4自由度:偏航和3平移，音高和滚动受重力的影响，尺度由加速度计可感知。因此，在调试相应的SLAM系统时，如果存在问题，则必须考虑可观察性/可观测性问题。此外，FEL在实际工程中也存在许多问题，需要在后续的具体实验中加以解决。