Oct, 2018

StructVIO：具有人造环境结构规律的视觉惯性里程计

PDF
TL;DR提出了一种新的视觉惯性测距方法，采用 Atlanta World 模型，而不是 Manhattan World 假设，探索了与每个本地 Manhattan World 对齐的结构线，提高了测距方法的准确性和鲁棒性，并在大规模人造环境中表现出相对于现有视觉惯性系统更好的性能。
visual-inertial odometryatlanta worldstructural regularitymanhattan world assumptioncomplex man-made environments
发现论文，激发创造
  • 机器人视觉惯性里程计

    本文提出了一种新颖的机器人中心视觉惯性导航系统的公式，在滑动窗口滤波框架内进行设计，使用单眼相机和 6 轴 IMU 实现高精度的运动跟踪，将 VINS 相对于运动的局部坐标系进行重构，以获得更高精度的相对运动估计，并提出 R-VIO 算法。该算法在 Monte Carlo 的模拟实验和真实环境实验中进行了广泛测试，并显示出在一些方面打破了当前技术的局限性。

    May, 2018

  • 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

  • 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

  • 基于紧密融合的视觉惯性里程计与单轨地面车辆动力学建模的在线校准

    本文提出了 ST-VIO，一种将单轨道动力学模型与视觉惯性测距紧密融合的新方法，可以对轮式地面车辆的运动进行估计，并根据未来的控制输入进行准确的前向预测。通过在线校准和调整动力学模型，该方法在室内外不同环境中使用真实数据进行了验证，证明了 ST-VIO 可以适应环境的变化并实现准确的预测，甚至可以提升追踪精度。

    Sep, 2023

  • 结构高斯 SLAM 与曼哈顿世界假设

    MG-SLAM 是一种基于曼哈顿世界假设的 RGB-D 系统，通过提高几何精度和完整性以实现在复杂室内环境中的稳健跟踪和场景完整性，从而使得高斯 SLAM 系统取得了最新的性能突破。

    May, 2024

  • 基于流形的预积分实时视觉惯性里程计

    本文提出了一种视惯性里程计预积分理论，通过相对运动约束将惯性测量融入视觉采样流程中，改善了实时状态估计问题，并在实际和模拟数据集上进行了广泛评估，表明该方法比现有的方法更有效。

    Dec, 2015

  • 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

    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

  • 使用曼哈顿世界假设的神经三维场景重建

    本论文提出一种基于内隐神经表示的重建方法，将平面约束融合到多视角立体方法的深度图估计中，并在 2D 语义分割网络预测的墙和地面区域采用平面约束来规范几何形状。该方法在 ScanNet 数据集上的实验表明，与以前的方法相比，在 3D 重建质量方面表现出更好的性能。

    May, 2022

  • 具有非线性因子恢复的视觉惯性映射

    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