单目尺度校正与运动补偿的视觉 - LiDAR 里程计与建图
本文介绍了一种新的紧密耦合的视觉惯性同时定位和建图系统,采用惯性测量单元进行初始测量,实现了零漂移定位,带有地图重用功能,并应用于单目相机的最一般问题。在微型飞行器公共数据集的 11 个序列中测试了该系统,证明了其比目前最先进的视觉惯性测量方法更为准确。
Oct, 2016
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
利用激光雷达传感器获取的稀疏但准确的深度测量,设计了一个自监督视觉 - 激光雷达里程计 (Self-VLO) 框架,该框架通过两个路径编码器提取视觉和深度图像中的特征,并将这些特征与多尺度解码器中的特征通过融合模块融合起来,从而在端到端学习的方式下产生姿态和深度估计。实验结果表明,该方法优于所有自监督视觉或激光雷达里程计,并且优于全监督视觉里程表,证明了融合的强大表现能力。
Jan, 2021
该研究提出了一种通过平滑和制图实现高精度、实时移动机器人轨迹估计和地图构建的紧密耦合激光雷达惯性测程联合优化的框架方法,其中采用了因子图算法来融合不同来源的相对和绝对测量数据,并使用 IMU 预积分解除激光雷达测程偏差。
Jul, 2020
本文提出了一个计算高效、准确的 LiDAR 基于 SLAM 的通用解决方案,主要采用了非迭代两阶段畸变补偿方法、两个匹配模块,并考虑了局部光滑性进行迭代姿态优化,实验结果表明在自主驾驶和仓库自动引导车的定位上表现均相当好,提供了一个性能和计算成本之间很好的平衡。
Jul, 2021
基于 3D LiDAR 数据的低漂移 SLAM 算法,使用扫描到模型匹配框架和隐式移动最小二乘(IMLS)表面表示,通过 KITTI 基准测试在全球漂移率仅为 0.69%。
Feb, 2018
ORB-SLAM3 是第一个能够使用针孔和鱼眼镜头模型的单目、立体和 RGB-D 相机执行视觉、视觉惯性和多地图 SLAM 的系统,并且具有两个主要的创新点:完全依赖于最大后验概率估计的基于特征的紧耦合视觉惯性 SLAM 系统和使用改进的召回率的新的场所识别方法的多地图系统,该系统在所有的传感器配置中都像文献中最好的系统一样健壮,并且显著提高了精度。
Jul, 2020
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
本研究针对移动机器人在动态和复杂环境下自主导航和任务执行的困难,提出了一种基于 LiDAR 和单目视觉 SLAM 的紧耦合几何特征融合框架方法,是当前多模态方法中姿态估计更为精确和健壮的。
Jul, 2023