visual odometry and Simultaneous Localization And Mapping (slam) has been
studied as one of the most important tasks in the areas of computer vision and
robotics, to contribute to autonomous navigation and augmen
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。
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。