快速视觉惯性导航中的注意力和预测
本文提出了一种新颖的机器人中心视觉惯性导航系统的公式,在滑动窗口滤波框架内进行设计,使用单眼相机和 6 轴 IMU 实现高精度的运动跟踪,将 VINS 相对于运动的局部坐标系进行重构,以获得更高精度的相对运动估计,并提出 R-VIO 算法。该算法在 Monte Carlo 的模拟实验和真实环境实验中进行了广泛测试,并显示出在一些方面打破了当前技术的局限性。
May, 2018
VINS-Mono 是一个鲁棒且多用途的单眼视觉惯性状态估计器,通过结合预积分 IMU 测量和特征观察,采用紧耦合的非线性优化方法,利用波束法检测模块,实现最小计算开销的重定位,并进行四自由度位姿图优化以确保全局一致性,具有高精度和通用性。
Aug, 2017
本研究提出了一个基于流形的序列到序列学习方法,用于使用视觉和惯性传感器进行运动估计。该方法具有许多优点,特别是它无需手动同步相机和 IMU,也无需手动校准 IMU 和相机。当具有准确的校准数据时,我们的方法与传统方法有竞争力,并且在校准和同步误差存在的情况下可以训练超越它们。
Jan, 2017
该论文提出了一种新的基于学习的运动学逆解模型:Visual-Inertial Inverse Kinodynamics (VI-IKD),它结合了惯性和视觉信息,可以预测地形与车辆间的运动学相互作用,提高了无人车高速越野导航的准确性和鲁棒性。
Mar, 2022
本研究提出一种新颖的端到端选择性传感器融合框架,用于单目视觉内导(VIO)中的图像和惯性测量融合,以估计轨迹并提高对实际问题的鲁棒性,在三个公共数据集上进行了全面测试,并展示了融合策略的效果,尤其是在存在错误数据情况下。
Mar, 2019
本研究设计了一种名为 RD-VIO 的新型视觉惯性测距系统,能够处理动态场景和纯旋转问题,并通过 IMU-PARSAC 算法和延迟三角测量技术来提高在这些问题上的性能。实验证明,在动态环境中,所提出的 RD-VIO 相较于其他方法具有明显优势。
Oct, 2023
本文提出了一种基于不变扩展卡尔曼滤波器 (RIEKF-VINS) 的方法,并通过 Monte Carlo 模拟和实际实验验证了该方法在视觉惯性导航系统中的有效性。该方法使用一种新的不确定性表示方法,可以保留 VINS 中的不变性质,并将 RIEKF-VINS 适用于多状态约束卡尔曼滤波器框架,从而获得一致性的状态估计。
Feb, 2017
本文介绍了一种基于深度学习的自适应视觉惯性测距(VIO)方法,采用先进的策略网络,根据运动状态和惯性测量读数,在可能的情况下对视觉模态进行去激活,以减少计算的冗余并实现自适应复杂性缩减。实验结果表明,该技术可在评估 KITTI 数据集时实现高达 78.8% 的计算复杂度降低,其性能与完整模态基线方法相当甚至更好。
May, 2022