草莓奶忻的博客

摘要—本文提出了一种使用真实数据对惯性测量单元（IMU）陀螺仪去噪的学习方法，并在航位推算中实时估计机器人的姿态。所获得的算法在（未见过的）测试序列上超越了现有的最先进方法。这些性能得益于精心选择的模型、适用于姿态增量的合适损失函数，以及在高频惯性数据训练中的关键点识别。我们的方法基于扩张卷积的神经网络，无需任何递归神经网络。我们在EuRoC和TUM-VI数据集上展示了该策略在三维姿态估计中的高效性。令人感兴趣的是，我们的航位推算算法在姿态估计方面优于顶级的视觉-惯性里程计系统，即使它并未使用视觉传感器。

evo是一款用于视觉里程计和SLAM问题的轨迹评估工具，它包含数据评估和可视化功能。核心功能是能够绘制相机的轨迹, 或评估轨迹与真值之间的误差。支持TUM轨迹文件、KITTI位姿、EUROC的csv与txt文件、ROS的bag文件， 同时支持这些数据格式之间的相互转换。

报错显示可能是 gflags 库被同时静态和动态链接了，导致冲突。重新编译 gflags 并确保只使用静态或动态库，这里只保留了动态库。在编译SLAM时遇到以下问题。

已消失，说明回车符已成功移除，文件格式已修复。在运行ORB-SLAM3时出现以下报错。出现了“\r”（回车符）导致的。检查文件是否已被正确修改，没有。若无法解决，可使用下面的方法。的错误，且怀疑是因为。

一直以为双目视觉和立体视觉是一样的。为了GPT，发现打脸了。（stereo vision）和。则是一个更加广义的概念。

说明github上的。

YOLO（You Only Look Once）是一种流行的目标检测算法，它可以实时地识别图像中的对象，并给出对象的位置（通过边界框）。SLAM（Simultaneous Localization and Mapping），即同时定位与建图，是一个用于自主机器人和增强现实应用的技术，它通过感知周围环境来同时估计机器的位置和构建环境地图。将YOLO和SLAM结合使用主要目的是利用YOLO的目标检测能力来辅助SLAM在动态环境中的稳定性和准确性。