带有滚动快门的直接稀疏里程计
本文提出一种直接的视觉惯性里程计方法(VIO),该方法基于来自快门滚动摄像机和惯性测量单元(IMU)的测量,估计传感器设置的运动和环境的稀疏 3D 几何图形,并结合光度束调整,估计一组最近的关键帧姿势和稀疏点的反深度,同时利用 IMU 信息,基于滚动快门效应对速度和偏差进行校准。在公开数据集上进行的实验说明,与不考虑滚动快门的系统相比,所提出的方法表现更好,并在全局快门数据上实现了与全局快门方法类似的准确度。
Nov, 2019
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
通过定量评估直接、特征和半直接方法的最新技术,提供了社区有用的实用知识,以便更好地应用现有的方法和开发新的 VO 和 SLAM 算法,并提出了可能的改进现有方法的建议。
May, 2017
本研究提出了一种基于 Ackermann 运动模型和简化深度假设的最小算法求解滚动快门相机拍摄影像中的畸变,实现了高效且精确的运动补偿。
Dec, 2017
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
本文提出了一种改进的运动结构法(SfM)算法,该算法考虑了无论 Rolling Shutter(RS)的影响,都能够估计两个连续帧的相对姿态,并给出了用于复原 Rolling Shutter 相机的相对姿态的 9 点算法,使用该算法的图像矫正可产生高质量的全局快门(GS)图像和 3D 重建结果。
Mar, 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
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
通过分析主要的失败案例并揭示优化过程的各种缺点,我们诊断了一种流行的学习型 SLAM 模型(DROID-SLAM)的关键弱点。然后,我们提出使用自监督先验,利用冻结的大规模预训练单眼深度估计初始化稠密捆绑调整过程,从而实现鲁棒的视觉里程计,无需对 SLAM 骨干进行微调。尽管方法简单,但在 KITTI 里程计和具有挑战性的 DDAD 基准上,我们的方法显示出显著的改进。代码和预训练模型将在发表后发布。
Jun, 2024