DSO窗口优化详解：变量与结构解析

"这篇文档详细介绍了DSO(Visual SLAM的一种方法)中的窗口优化机制，涉及到关键帧管理、变量定义、优化过程以及误差计算等多个核心概念。" 在DSO（Direct Sparse Odometry）中，窗口优化是实现实时、高精度视觉定位的关键步骤。窗口优化涉及对一系列关键帧的数据进行处理，通过最小化误差函数来不断更新和优化相机的位姿估计，从而提高SLAM系统的稳定性。 首先，`EnergyFunction`是整个优化问题的核心，它持有前端的`keyframes`，这些关键帧包含了大量的特征点及其对应测量值。`HM`和`bM`存储了边缘化之后的先验信息，用于后续的优化计算。`adHost`和`adTarget`则涉及到了向量空间的矩阵伴随操作，它们用于将坐标变换到相应的参考系中。`adHTdeltaF`则是通过伴随运算将host和target的增量变化映射到特定坐标变换下。 在DSO中，`FrameHessian`是用于描述帧间几何关系的矩阵，其中的`ζ0`代表线性化的点，`x0`是margin时刻的增量，而`xxx`表示k时刻的增量。`worldToCam_evalPT`表示经过帧跟踪后的相机位姿，同时也是FEJ的线性化点。`state`和`state_scale`是包含了尺度信息的相机状态，`PRE_worldToCam`是在LM（Levenberg-Marquardt）迭代中用到的变量，包含了线性化点加上增量信息。`state_zero`是初始状态，`get_state_minus_stateZero()`返回的是在线性化方向上的增量。 `dIp`和`dI`分别存储了不同层图像的灰度值和梯度信息，这对于计算残差至关重要。`step`和`step_backup`是优化过程中使用的变量，记录了每次迭代的更新量。`delta`表示当前状态与初始状态的差异。 `FrameFramePrecalc`结构体中，`PRE_RTll`和`PRE_tTll`是相对位姿，用于计算相邻帧之间的变换；`PRE_RTll_0`和`PRE_RTll_0`则是线性化点对应的相对位姿；`PRE_KRKiTll`和`PRE_RKiTll`是校正后的内参矩阵与相对位姿的乘积。 在残差计算部分，`Residual`节点的状态由`state_state`表示，`state_NewState`则记录了优化后的新状态。`isActiveAndIsGoodNEW`函数检查误差是否低于阈值，决定是否将该节点视为有效。`isLinearized`标记了节点是否已经经过线性化。`JpJdF`是Hessian矩阵的一部分，`centerProjectedTo`和`projectedTo`用于计算特征点在不同帧中的投影位置，`RawResidualJacobia`则是原始的残差雅可比矩阵，用于误差反向传播。 窗口优化的整个流程包括选择关键帧、构建优化图、线性化误差函数、执行LM算法求解最小化问题以及更新系统状态等步骤。这一系列操作保证了DSO在动态环境中能快速适应并保持稳定。