端到端视觉惯性里程计（end to end VIO）

最新推荐文章于 2024-01-24 10:57:04 发布
最新推荐文章于 2024-01-24 10:57:04 发布
阅读量420 收藏 6
点赞数 8
文章标签： python 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2302_76497785/article/details/134611933
版权
本文概述了视觉惯性里程计(VINet)在序列到序列学习中的应用，探讨了ATVIO和visualselectiveVIO等方法。提到一些开源代码存在不完整且缺乏详细文档的问题，阻碍了相关领域的研究者复制实验。寻求完整代码和清晰教程的需求迫切。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.VINet：[1701.08376] VINet：视觉惯性里程计作为序列到序列学习问题 (arxiv.org)

代码（项目还在建设中，代码好像不全）：GitHub - HTLife/VINet： VINet： 视觉惯性里程计作为序列到序列学习问题​​​​​​

2.ATVIO:ATVIO：注意力引导视觉惯性里程计 |IEEE会议出版物 |IEEE Xplore的

无代码

3.visual selective VIO：[2205.06187] 具有自适应视觉模态选择的高效深度视觉和惯性里程计 (arxiv.org)

代码（没找到readme里讲的预训练模型文件）：

最低0.47元/天 解锁文章
彩彩
关注
论文笔记_S2D.45_DeepVO: 基于深度循环卷积神经网络的端到端视觉里程计
惊鸿一博
11-05 939
1. 文章以及整体结构 文章：DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks（基于深度循环卷积神经网络的端到端视觉里程计） 作者：Sen Wang, Ronald Clark, Hongkai Wen and Niki Trigoni 来源：ICRA2017 deepvo网络结构如下：CNN+RNNs （单目VO） CNN网络的结构：RNNs网络的结构： （学习完理解
【论文阅读】DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks
博客标题不能为空我也没办法
02-23 1604
端到端的视觉里程计，采用CNN提取特征，使用LSTM进行位姿推理
DeepVO：通过深度循环卷积神经网络实现端到端的视觉里程计
huarzail的专栏
07-16 2671
使用深度递归卷积神经网络(RCNNG)，提出了一种新颖的端到端单目VO的框架。由于它是以端到端的方式进行训练和配置的，因此它可以直接从一系列原始的RGB图像（视频）中计算得到姿态，而无需采用任何传统VO框架中的模块。
“盲狗”具身定位：最新本体感知足式机器人里程计
soaring_casia的专栏
01-24 1555
此论文提出了一种四足机器狗的多节点IMU本体感知定位方法。在传统的单一体IMU与机器狗关节编码器的基础上，论文作者添加了足部多节点IMU辅助估计。论文使用了扩展卡尔曼滤波的信息融合方法进行状态估计。使用额外的足部多节点IMU，系统可以估计机器狗足部触地的多种模式以及打滑情况，而不需要足部的压力传感器。所提出的方法在硬件平台上进行了验证，表明了该方法相较于传统方法确实可以大幅降低定位漂移，所增加的计算量也十分有限。
Visual Odometry(视觉里程计)： StereoScan Dense 3d Reconstruction in Real-time
I AM BACK
01-15 5787
介绍 系统概述 A特征匹配 Bego-motion估计 C立体匹配 D3D重建 实验结果 运行结果及代码介绍从多个二维图片中重建3D影像是机器视觉必不可少的部分，这篇论文【1】提出的就是做3D重建的工作。这篇论文提出了一种巧妙的实时的方法做3D地图重建——使用稀疏特征和视觉里程计相结合的方法。这种方法包含了立体匹配和创建点云。用这种方法计算出来的视觉里程计是当年11年最好的。该法可以每秒执行25f，
VSLAM--DeepVIO
L_smartworld的博客
08-12 1560
DeepVIO简单介绍（做了什么工作） 以上为DeepVIO的整体框架图，简单介绍下它和传统VIO的区别及它里边的主要贡献。 DeepVIO与传统VIO区别 以VINS-mono为例，传统VIO的架构为输入camera图像数据及IMU数据，分别对上述两种数据建模，利用ICP计算图像间的位姿信息，利用预积分计算IMU的状态信息。 ...
CVPR2020——D3VO论文阅读
ZEroJAVAson的博客
05-23 2648
文章标题：D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual Odometry 摘要： 我们提出的D3VO单目视觉里程计框架从三个层面上利用了深度学习网络，分别是：利用深度学习的深度估计，利用深度学习的位姿估计，以及利用深度学习的不确定度估计。首先我们提出了一个在双目视频上训练得到的自监督单目深度估计网络。特别的，它利用预测亮度变换参数，将训练图像对对齐到相似的亮度条件上。另外，我们建模了输入图像像素的亮...
【AI视野·今日Robot 机器人论文速览 第二十八期】Wed, 1 Dec 2021
TomRen
12-02 2340
今日机器人速览：钣金机器人算法、可微刚体动力学、复杂场景中声音视觉导航
【AI视野·今日CV 计算机视觉论文速览 第244期】Fri, 15 Apr 2022
TomRen
04-19 1646
AI视野·今日CS.CV 计算机视觉论文速览 Fri, 15 Apr 2022 Totally 70 papers 👉上期速览✈更多精彩请移步主页 Daily Computer Vision Papers A Level Set Theory for Neural Implicit Evolution under Explicit Flows Authors Ishit Mehta, Manmohan Chandraker, Ravi Ramamoorthi基于坐标的神经网络参数化隐式表面已经.
雷达系列论文翻译（十一）：LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometryvia Smoothing and Mapping
weixin_39061796的博客
10-12 1385
LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometryvia Smoothing and Mapping 摘要 我们提出了一个通过平滑和映射实现的紧耦合激光雷达视觉惯性里程计的框架LVI-SAM，该框架实现了实时状态估计和地图构建，具有高的精度和鲁棒性。LVI-SAM建立在因子图之上，由两个子系统组成：视觉惯性系统（VIS）和激光雷达惯性系统（LIS）。这两个子系统以紧耦合的方式设计，其中VIS利用LIS的估计来促进初始化。通过使用激光雷达
SLAM技术与市场杂谈
吴建明wujianming_110117
06-06 1636
SLAM技术与市场杂谈
自监督深度学习技术
weixin_46190814的博客
01-07 1704
简单了解了一下自监督学习，然后查了一下自监督VIO相关论文
论文笔记：Efficient Deep Visual and Inertial Odometry with Adaptive Visual Modality Selection
yh1216212882的博客
01-10 1022
说在前面：本人是个菜鸡，纯菜鸡，以下我的理解绝对会有错误，欢迎指正共同进步！文章题目：Efficient Deep Visual and Inertial Odometry with Adaptive Visual Modality Selection论文代码。
一起读论文8：复杂地形环境四足机器人运动控制
weixin_44208404的博客
09-03 4848
复杂地形环境四足机器人运动控制1 四足机器人全方位移动控制1.1 四足机器人前进足端轨迹规划1.2 基于足端运动速度估计的步程计设计2 四足机器人在斜坡上的移动控制方法2.1 四足机器人的姿态控制与支撑位置调整策略3 基于静步态的崎岖地形移动控制方法3.1 触地状态感知3.2 四足机器人的行走控制方法3.2.1 四足机器人的主步态3.2.2 四足机器人质心位置调整策略3.2.3 四足机器人躯干姿态调整策略3.2.4 四足机器人腿长度调整策略 (1)腿足式运动的落足点是离散的，可以在足的可达空间内选择最优支撑
视觉−惯性里程计(VIO)融合SLAM方案
w风的季节-博客
07-17 4997
VIO融合方案第一章1. 视觉与IMU融合后的优势？2. 常见的视觉和IMU融合方案？工业界的应用例子3. 学术界VIO研究进展如何？将学习的方法用到VIO的例子4. 使用右乘so(3)so(3)so(3)，推导下面导数 第一章 1. 视觉与IMU融合后的优势？   传感器融合是一个趋势，也或者说是一个妥协的结果。主要的原因还是由于单一的传感器不能适用所有的场景，所以寄希望于通过多个传感器的融合达到理想的定位效果。目前主流的传感器融合方案包括：视觉+IMU、视觉+激光雷达、IMU+差分GPS+激光雷达。 视
定位技术：自动驾驶里程计技术对比（二）
人无远虑，必有近忧
08-28 1636
在上一篇自动驾驶定位深度学习概述中，我们分析了业界基于信号+航迹推算+环境特征匹配的融合方案，并讨论了深度学习在定位和地图构建未来可能的应用以及深度学习的优缺点。在这一篇，我们将对深度学习在里程计方面的应用进行更细节的探讨，并对不同解决方案进行性能对比。 ⾥程计属于航迹推算方案，它持续跟踪汽车的⾃我运动并估算相对姿势，在给定初始状态的情况下，通过整合这些相对姿势来重建全局轨迹，保持对运动变换估算的⾜够准确，以实现全局范围内的⾼精度定位。本文讨论主要集中在惯性里程计算和视觉⾥程计以及融合的深度学习⽅法，因为
Maplab：一个用于视觉惯性建图和定位研究的开源框架
人无远虑，必有近忧
01-23 4583
鲁棒性(Robust)和准确性(accurate)的视觉惯性估计对机器人当今的许多挑战至关重要。其能够对先验地图(prior map)进行定位(localize)并获得准确且无漂移的姿态估计，从而可以进一步推动这种系统的适用性。然而，目前大多数可用的解决方案都集中在单一场景用例上(a single session use-case)，缺乏定位能力(localization capabilities)或端到端线程(end-to-end pipeline)。我们相信，只有一个完整的系统，结合最先进的算法，可扩展
【2022最新】视觉SLAM综述（多传感器/姿态估计/动态环境/视觉里程计）
limingmin2020的博客
11-01 1311
本文对在VSLAM领域发表的45篇有影响力的论文进行了深入的调查，并根据不同的特点对这些方法进行了分类，包括novelty domain、目标、采用的算法和语义水平。最后论文讨论了当前的趋势和未来的方向，有助于研究人员进行研究。
VINet 翻译|导读|解析
目睹闰土刺猹的瓜的博客
05-05 3503
VINet：将视觉惯性里程计作为一个序列到序列的学习问题 英国牛津大学计算机科学系 摘要： 本文提出了一种基于流形的序列到序列的学习方法，用于视觉和惯性传感器的运动估计。据我们所知，对于视觉惯性里程计而言，这是第一个端到端可训练的方法，它在中间特征表示水平上进行数据融合。与传统方法相比，我们的方法有许多优点。特别是，它消除了相机和IMU之间繁琐的手动同步和校准。更进一步，我们的模型自然而优雅地合并...
视觉惯性里程计（VIO）ubuntu20.04
最新发布
03-08
上述命令会下载并安装编译所需的基础组件以及计算机视觉库OpenCV[^1]。 #### 获取源码 接着从GitHub仓库克隆最新的VINS-Fusion版本到本地机器： ```bash git clone ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值