Stereo DSO:基于双目相机的大规模直接稀疏视觉里程计
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
本研究提出 VI-DSO,一种同时估计相机姿态和稀疏场景几何的视觉惯性测量新方法,通过最小化组合能量函数中的光度和 IMU 测量误差来进行优化,在 EuRoC 数据集上得到了比现有技术更好的效果。
Apr, 2018
本文介绍了一种在直接稀疏视觉里结合使用视觉显著性和场景分析新方法,命名为 SalientDSO,并通过 CVL-UMD 数据集进行了定量和定性比较,超越了 DSO 和 ORB-SLAM 这两种最先进的方法。这是首次使用视觉显著性和场景分析来驱动直接 VO 的特征选择。
Feb, 2018
本文提出了 Direct Sparse Odometry (DSO) 的扩展,用于具有循环闭合检测和位姿图优化(LDSO)的单目视觉 SLAM 系统,保留了 DSO 的健壮性,并通过优化来减少旋转、平移和尺度漂移的影响。
Aug, 2018
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
本文提出一种仅基于立体相机系统完成 3D 语义映射的完整流程,其中包括全局优化的直接稀疏视觉里程表前端和 GNSS 集成,以及语义 3D 点云标记的后端。作者提出了一种简单但有效的时间投票方案,提高了 3D 点标签的质量和一致性,并在 KITTI-360 数据集上进行了定性和定量评估,结果表明了提出的投票方案的有效性和流水线对于大规模高效 3D 语义映射的能力。另外,作者还展示了流水线的大规模映射能力,展示了由车队收集的数据生成的覆盖 8000 公里道路的大规模语义地图。
Mar, 2022
提出了一种基于立体输入的视觉里程计法的稠密建图算法,该算法针对大规模动态城市环境中的高级移动机器人任务,同时重建静态背景、移动物体和潜在移动的静止物体。
May, 2019
本文提出了一种实时的无标定板双目相机标定方法,该方法通过基于流形上的新型非线性优化将几何误差最小化,不需要时间特征对应性,对于动态场景的不变性和灯光变化具有鲁棒性和较快的运行速度,并通过在线实验展示了与离线基于标记的标定方法相当的精度。
Mar, 2019
该研究提出了一种基于图像的实时定位方法,通过结合一种基于二进制特征描述符的快速关键点跟踪方法和一个新的直接 2D 到 3D 匹配方法,有效地对大场景下的相机位置进行计算,并实现了实时的运行效果。
Mar, 2012
提出了一个包含 50 个具有独特多样性的现实中场景的数据集,用于评估单目视觉里程计和 SLAM 方法的跟踪精度,并在此基础上提出了一个相机光度校准的简单方法以及一种非参数化暗角校准方法,该研究详细评估了两种现有方法(ORB-SLAM 和 DSO)在该数据集上的效果。
Jul, 2016