一种使用Cuda加速大规模BA并行优化方法技术

本发明专利技术公开了一种使用Cuda加速大规模BA并行优化方法，包括如下步骤：S1、构建系统的能量残差方程；S2、求解线性方程组；S2

【技术实现步骤摘要】
一种使用Cuda加速大规模BA并行优化方法


[0001]本专利技术涉及巡检机器人算法
，具体指一种使用Cuda加速大规模BA并行优化方法。

技术介绍

[0002]BA(Bundle Adjustment)是许多视觉SLAM和激光SLAM的核心组件。它是经典的计算机视觉问题之一，已经被研究人员研究了60多年。虽然存在不同的公式，但潜在的问题总是相同的:给定一组近似的点(地标)位置，从许多不同姿势的相机观察，什么是实际的地标位置和相机姿势。人们已经可以用少量的图像计算出准确的3D位置。然而，有了更多可用的图像，我们将得到更完整的重建。随着大规模网络图片库的出现，需要解决大规模的捆绑调整问题，即成千上万的图片和成千上万的地标。大规模线性方程组的求解一直都是科学计算里的重要问题。随着图形处理器(GPU)硬件架构的不断发展，GPU的功能已经衍生到GPU通用计算领域。GPU作为CPU的协处理器完成大规模密集型计算任务，计算能力与小规模的集群相当。相比集群，GPU在功耗和成本上占有优势。2007年NVIDIA推出CUDA并行计算平台，降低了使用GPU加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用Cuda加速大规模BA并行优化方法，其特征在于，包括如下步骤：S1、构建系统的能量残差方程S1
‑
1定义世界坐标系下的点x
p
，通过旋转角度R和平移变换t，将点x
p
投影成像素坐标x
p
'；S1
‑
2构建x
p
的像素坐标x
l
与投影的像素坐标x
p
'构成的系统误差方程r＝(x
l
‑
Rx
p
'
‑
t)＝(x
l
‑
x
p
')；S1
‑
3通过Levenberg
‑
Marquardt算法最小化残差方程r，有其中，S2、求解线性方程组S2
‑
1对J
l
进行QR分解，有S2
‑
2使用QR分解边缘化线性方程组；S3、将求解得到Δx
p
，Δx
l
代入原系统方程实现BA优化。2.根据权利要求1所述的使用Cuda加速大规模BA并行优化方法，其特征在于，所述步骤2
‑
2将上式(2)中的Q左乘公式(1)，有再将Q＝(Q1,Q2)带入上式(3)中，实现系统的零空间边缘化，完成未知量Δx
p
，Δx
l
求解的解耦。3.根据权利要求2所述的使用Cuda加速大规模BA并行优化方法，其特征在于，所述步骤2
‑
2还包括将上式(3)通过QR分解成方程组Emin1(Δx
p
)、Emin2(Δx
p
，Δx
l
)，先求解方程组Emin1(Δx
p
...

【专利技术属性】
技术研发人员：吴秋轩，周忠容，曾平良，田杨阳，毛万登，孟秦源，张波涛，袁少光，耿俊成，赵健，吕强，仲朝亮，罗艳斌，
申请(专利权)人：国网河南省电力公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：