机器人视觉惯性里程计
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
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
本文提出了一种单目视觉惯性 SLAM 系统,可以通过重新定位相机和获取先前构建的地图中的绝对姿态来校正漂移,并进行全局一致性的 4 自由度姿态图优化,进而实现地图合并。
Mar, 2018
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
本研究提出了一种通过非线性因子恢复和捆绑调整的方法从视觉惯性测距(VIO)中提取有用信息,以实现全局一致的建图和提高准确性。在公共基准测试中,我们证明了该方法优于现有技术。
Apr, 2019
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
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。
Mar, 2018