提出了一种新的直接稀疏视觉里程计公式,将全直接概率模型(最小化光度误差)与所有模型参数(包括几何结构 - 在参考帧中表示为反深度 - 和相机运动)的一致联合优化相结合。
Jul, 2016
本文提出了一种基于 2D-3D 线对应的高效单目相机在先前 LiDAR 地图中的定位方法,并使用位姿预测和离群值排除来优化相机位姿和 2D-3D 对应关系的投影误差,实验结果表明该方法可以在结构化环境中高效地估计相机位姿。
Apr, 2020
本文提出了 Edge SLAM 算法解决了 feature-based SLAM 在低纹理环境下不可靠的问题,通过边缘点追踪和三视图几何关系进行点对应匹配,采用新颖的本地优化技术估计新相机从而实现了同时对纹理和低纹理环境下可靠的视觉 SLAM。
Jan, 2019
通过使用单个相机,本文提出了一种对机器人测位的新方法,通过匹配图像特征和使用卷积神经网络进行调整,以可靠地估计机器人的位置和方向。
Nov, 2023
通过建立事件的生成模型来解决映射和相机姿态跟踪的问题,并提出提高事件边缘像素采样效率以及结合时间立体结果和静态立体结果来改善映射性能,同时通过引入陀螺仪测量作为先验来解决相机姿态跟踪中的退化问题,通过公开数据集的实验证明了改进的方法的有效性。
May, 2024
本文提出了一种基于点线特征的立体视觉里程计(StereoVO)技术,并使用一种基于注意力图神经网络的新型特征匹配机制,在恶劣的天气条件(如雾、霾、雨和雪)和动态光照条件(如夜间照明和眩光场景)下表现出色,通过稳健的点线匹配在低能见度天气和光照条件下完成立体视觉里程计。实验证明,与先进的线特征匹配算法相比,我们的方法能够获得更多的线特征匹配,而与点特征匹配相结合,在恶劣的天气和动态光照条件下表现一致优秀。
Aug, 2023
本文提出了一种单目视觉里程计算法,它结合了基于几何方法和深度学习的思想,并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明,该算法具有较强的鲁棒性和良好的性能。
Sep, 2019
通过利用深度单目深度预测来改进单目视觉里程计,利用直接虚拟立体测量方法将深度预测与 Direct Sparse Odometry(DSO)相结合,关键考虑半监督学习,并在 KITTI 基准测试中超越其他的方法,实现了与基于立体相机的方法相当的性能。
Jul, 2018
本文探讨了利用立体序列进行深度和视觉里程计学习的方法,并在 KITTI 行驶数据集上的实验表明,我们的方法优于现有的基于学习的方法。
Mar, 2018
通过 2D-2D 特征匹配技术,利用旋转平均算法设计一种可快速而又准确地估算单目相机旋转方向的系统,该系统通过维护一个视图图形并解决旋转问题来估算摄像机轨迹和地图,并驱动 V-SLAM 系统跟踪纯旋转运动。
Oct, 2020