Mar, 2018

使用在线误差纠正的无监督深度网络进行视觉辅助的绝对轨迹估计

PDF
TL;DR本研究介绍了一种无监督深度神经网络方法，用于融合 RGB-D 图像和惯性测量进行绝对轨迹估计。我们的网络在没有 IMU 固有参数或 IMU 与相机之间的外部校准的情况下进行学习，学习整合 IMU 测量并生成假设轨迹，然后根据空间像素坐标的缩放图像投影误差的雅可比矩阵进行在线更正。在 KITTI Odometry 数据集上与最先进的视觉惯性测距，视觉测距和视觉同时定位和地图构建（VSLAM）方法进行了比较，表现出有竞争力的测距性能。
发现论文，激发创造
  • DeepVIO：使用三维几何约束进行单目视觉惯性里程计的自监督深度学习

    该文章介绍了一种名为 DeepVIO 的自监督深度学习网络，通过直接合并 2D 光流特征（OFF）和惯性测量单元（IMU）数据，提供绝对轨迹估计，实验结果表明其在准确性和数据可适应性方面优于传统的基于 Deep-Learning 方法。

    Jun, 2019

  • SelfVIO：自监督深度单目视觉 - 惯性里程计和深度估计

    本文提出了一种基于自适应视觉惯性传感器融合和对抗训练的自监督深度学习方法 (SelfVIO)，用于从未标记的单目 RGB 图像序列和惯性测量单元 (IMU) 读数中共同估计 6 自由度自我动作和景深图。该方法在 KITTI、EuRoC 和 Cityscapes 数据集上的表现优于目前研究领域中其他的 VIO 方法。

    Nov, 2019

  • 自适应视觉模式选择的高效深度视觉和惯性里程计

    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

  • 神经视觉惯性测距的选择性传感器融合

    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

  • CodeVIO：基于学习优化的密集深度视觉惯性里程计

    本文提出了一个轻量级的深度网络和视觉惯性测距（VIO）系统，利用提出的轻量级条件变分自动编码器（CVAE）来提高初始深度预测的精度和泛化能力，以便提供精确的状态估计和稠密的深度图。

    Dec, 2020

  • VINet: 视觉惯性里程计作为序列到序列学习问题

    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

  • RD-VIO: 动态环境下移动增强现实的稳健视觉惯性测距

    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

  • 使用 Velodyne LiDAR 辅助 IMU 的 CNN 里程计估计

    本文介绍了一种使用卷积神经网络从 3D LiDAR 扫描中进行测距估计的新方法。使用 IMU 传感器支持和备用 CNN 模型实现了高质量的测距估计和 LiDAR 数据注册。该方法可以用于取代轮式编码器进行测距估计或补充缺失的 GPS 数据，为室内映射提供实时性和精度。

    Dec, 2017

  • 飞行机器人的视觉惯性测距

    本文介绍了如何通过使用摄像头和惯性测量单元来实现无人机的姿态和速度的估计，摄像头和惯性测量单元十分常见且价格低廉。

    Jun, 2019

  • 自监督端到端视觉里程计的几何一致性

    该论文提出了一种利用几何结构作为自我监督信号的无监督深度视觉里程计学习范例，并表明这种方法与监督学习方法在性能上的竞争力相当。

    Apr, 2018