2021@SDUSC
2021年10月5日星期二——2021年10月7日星期四
一、背景简介:
我们小组本来计划分析的源代码是ros系统的源代码,但是后来的研究学习中发现我们所选取的材料有些陈旧过时,许多包和功能已经不被推荐使用了。因此我们改变了研究思路,调整方向,专注于LVI-SAM这个包的研究。
因为这个包是最近刚刚开源的新技术,所以网上的参考资料屈指可数,这加大了我们研究的难度和挑战,但相对的,也更值得我们研究和学习。
这一篇博客首先从作者的论文入手,目的在于理解该包的基本原理和知识,为下一步的源代码分析打下基础。为了帮助自己更好地理解论文,我参考了其他人所翻译的中文论文,出处附在了文末。
二、对于论文的理解:
对于刚刚接触这一领域的我来说,这一篇论文最重要的部分是开头的简介和末尾的总结,其次就是中间部分对于原理的讲述,至于后半部分的实验,对于我来说阅读要求还不是那么重要。
1、总体介绍
文章的开头和结尾概括了LVI-SAM的本质:一个紧耦合的雷达视觉惯导SLAM系统,一个更为稳定和准确的框架,适应于缺少纹理和特征场景中的应用。
就组成上而言,它有两个部分:视觉惯性系统和激光雷达惯性系统两个子系统。这两个系统紧密耦合,相互交互。
2、系统介绍
1、引言中的传统技术和新技术对比(论文的第一部分)
虽然基于视觉的方法特别适合于位置识别,并且在纹理丰富的环境中表现良好,但它们的性能对光照变化、快速运动和初始化都很敏感,因此,基于激光雷达和基于视觉的方法通常都与惯性测量单元(IMU)耦合,以提高其各自的鲁棒性和准确性。
——下列三个系统的由来
A. VIO系统:VIO(visual-inertial odometry)即视觉惯性里程计,有时也叫视觉惯性系统(VINS,visual-inertial system),是融合相机和IMU数据实现SLAM的算法。
B. LIO系统:不同于上文介绍的相机,这里采用的是雷