BJTUYXY1999的博客

原创 VINS-MONO调研资料

在本文中，我们结合了几何和基于 DNN 的方法，以具有几何 SLAM 框架的通用性和速度，并在 DNN 的帮助下克服了大多数这些具有挑战性的条件，并提供了迄今为止最强大的框架。KITTI数据集测程数据05序列和真实道路环境的实验结果表明，与VINS-Fusion相比，YMS-SLAM的均方根误差分别降低了21.0%和61.6%，证明了所提算法在有动态目标的道路环境中具有更强的鲁棒性和更高的定位精度。在过去的几十年里，人们对自主机器人和虚拟现实的视觉定位和里程计进行了广泛的研究。因此，随着时间的推移，