【文献】R2LIVE: A Robust, Real-time, LiDAR-Inertial-Visual tightly-coupled state Estimator and mapping

已于 2023-09-27 18:50:40 修改
阅读量187 收藏
点赞数
分类专栏： SLAM 文献阅读 文章标签： 计算机视觉
于 2023-09-27 14:59:05 首次发布
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/qq_18076309/article/details/133351732
版权

文章目录

Cite

Lin, Jiarong, et al. “R 2 ^ 2 2 LIVE: A Robust, Real-Time, LiDAR-Inertial-Visual Tightly-Coupled State Estimator and Mapping.” IEEE Robotics and Automation Letters 6.4 (2021): 7469-7476.

Introduction

  • 本文提出的框架由两部分组成:基于滤波器的里程计和因子图优化。为了保证实时性能， 本文在误差状态迭代卡尔曼滤波框架内对状态进行估计，并通过因子图优化进一步提高整体精度。

在这里插入图片描述

Key Point 1

Key Point 2

Take home messages

  • LiDAR失效场景：在可用几何特征较少的情况下，基于lidar的SLAM方法的精度会显著降低甚至失败。

Resources

IDEAS

Mr_Sosimple
关注
专栏目录
＜论文笔记＞LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometryvia Smoothing and Mapping
weixin_40440816的博客
07-03 378
文章阅读
LOAM论文介绍与A-LOAM代码简介
qq_29462849的博客
09-24 1376
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达一、前言LOAM[1]是Ji Zhang于2014年提出的使用激光雷达完成定位与三维建图的算法，即Lidar Odometry an...
R3Live系列学习（三）R2Live源码阅读（1）
weixin_42048023的博客
01-27 5454
这次阅读的源码是R2Live，论文为《R2LIVE: A Robust, Real-time, LiDAR-Inertial-Visual tightly-coupled state Estimator and mapping》。
r2live：R2LIVE是一个健壮的实时紧密耦合的多传感器融合框架，该框架融合了来自LiDAR，惯性传感器，视觉相机的测量结果，以实现可靠，准确的状态估计
03-04
R2LIVE 鲁棒，实时，LiDAR-Inertial-Visual紧密耦合状态估计器和映射 R2LIVE是一个健壮的实时紧密耦合的多传感器融合框架，该框架融合了来自LiDAR，惯性传感器，视觉摄像机的测量结果，以实现健壮，准确的状态估计。 利用所有传感器的测量优势，我们的算法对于各种视觉故障，LiDAR退化场景具有足够的鲁棒性，并且能够在机载计算平台上实时运行，如室内，室外进行的大量实验所示，以及不同规模的混合环境。 在（d）中显示了香港大学主楼的重建3D地图，在（a）和（b）中显示了带有对应全景图像的细节点云。 （c）表明我们的算法可以自行关闭循环（返回起点），而无需任何其他处理（例如循环闭合）。 在（e）中，我们将地图与卫星图像合并，以进一步检查系统的准确性。 我们在一个由拥挤的大厅和很长的狭窄隧道组成的香港地铁站中评估了算法，如（a）所示。 该隧道长达190美元，长满了移动的行
R2LIVE论文翻译: A Robust, Rea-time, LiDAR-Inertial-Visual tightly-coupled state Estimator and mapping.
JaydenQ的博客
08-30 2026
文章目录写在前面 写在前面 文章参考:3D视觉工坊 论文原文:论文原文链接 演示视频:
R2LIVE: 一个鲁棒实时的雷达-惯导-视觉紧耦合的位姿估计和建图系统
3D视觉工坊
08-08 981
作者丨方川@知乎来源丨https://zhuanlan.zhihu.com/p/378375542编辑丨3D视觉工坊标题：R2LIVE: A Robust, Rea-time, LiDAR...
R3 LIVE：一个强大、实时、RGB彩色、激光雷达-惯性-视觉紧密耦合的状态估计和建图
点云兔子的博客
09-25 3247
我们系统的概述如图2所示，我们提出的框架包含两个子系统：LIO子系统（上部分）和VIO子系统（下部分）。LIO子系统构建了一个全局地图的几何结构，它注册输入的激光雷达扫描，并通过最小化点到平面的残差来估计系统的状态。VIO子系统构建地图的纹理，它使用输入图像为每个点渲染RGB颜色，并通过最小化帧与帧之间的PnP重投影误差和帧与地图的光度误差来更新系统状态。图2：我们提出的系统概述。
SLAM总结（一）- SLAM原理概述与简介
热门推荐
weixin_41245988的博客
02-18 2万+
SLAM总结（一）SLAM原理概述与简介 SLAM原理概述与简介 SLAM（Simultaneous Localization and Mapping）：同时定位和建图，定位是定位机体在世界坐标系下的位姿（pose、transformation）。单传感器机体一般指相机光心、激光雷达scan中心、IMU中心、编码器两轮轴心，多传感器一般使用IMU中心，可以避免离心力的影响。位姿包括3个自由度的位置（translation）和3个自由度的姿态（rotation）。世界坐标系的原点和姿态可以由第一帧关键帧、已
《论文阅读》LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping
未知丶的博客
08-09 735
留个笔记自用 LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping 做什么 Monocular Visual Odometry单目视觉里程计 相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可
小议2019机器人顶会上的3D 激光紧耦合里程计——Lio-mapping， R_LINS , 和IN2LAMA
闻涛观
11-23 3260
笔者想结合自己移动机器人的实际工作简单谈谈2019年的激光imu紧耦合slam。 谈讨论的这三篇都是基于Loam的二次开发的。 lio-mapping[1]七月份最先出来。完全基于vins mono框架改编。loam的特征基于nearest neighbor完全是很弱的匹配。图结构里面为了把所有滑窗的pose vertices串起来，只能每滑窗帧都去相对fixed frame（pivot）提n...
超全！SLAM论文与开源代码汇总（激光+视觉+融合）
qq_29462849的博客
10-20 8395
1.代表性视觉SLAM算法论文与开源代码总结2.代表性激光SLAM算法论文与开源代码总结3.代表性激光-视觉融合SLAM算法论文总结激光-视觉-IMU-GPS融合SLAM算法理论与代码讲解...
R3LIVE：一个实时鲁棒、带有RGB颜色信息的激光雷达-惯性-视觉紧耦合系统（香港大学）...
qq_29462849的博客
09-14 4399
R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estimati...
【天线＆运输】冲浪者检测系统源码＆数据集全套：改进yolo11-DySnakeConv
m0_73650416的博客
11-04 829
本项目数据集信息介绍本项目所使用的数据集名为“surfer”，旨在为改进YOLOv11的冲浪者检测系统提供强有力的支持。该数据集专注于冲浪者的检测，包含了丰富的图像数据，旨在提升模型在复杂环境下的识别能力。数据集中包含的类别数量为1，类别列表仅包含“human”，这表明该数据集主要聚焦于冲浪者这一特定目标。通过专注于单一类别，我们能够在数据标注和模型训练过程中，确保高质量的样本选择和标注精度，从而提高模型的检测准确性。
【天线＆其他】大疆无人机热成像人员目标检测系统源码＆数据集全套：改进yolo11-bifpn-SDI
最新发布
m0_74341485的博客
11-04 765
本项目数据集信息介绍本项目所使用的数据集名为“Thermal_Overhead”，专门为改进YOLOv11的大疆无人机热成像人员目标检测系统而设计。该数据集包含了针对特定目标——人员的热成像图像，旨在提升无人机在复杂环境下的目标检测能力。数据集中仅包含一个类别，即“person”，这使得模型的训练过程更加专注于特定目标的识别与定位。“Thermal_Overhead”数据集的构建过程经过精心设计，涵盖了多种环境条件下的热成像数据。
＜项目代码＞YOLOv8 pcb板缺陷检测＜目标检测＞
qq_53332949的博客
11-04 463
YOLOv8 pcb板缺陷检测项目代码
《YOLO 目标检测》—— YOLO v4 详细介绍
weixin_73504499的博客
11-01 1154
YOLO v4（You Only Look Once version 4）是一种先进的目标检测系统，于2020年推出，是对之前版本YOLO的改进。YOLOv4基于深度卷积神经网络，能够高精度实时检测图像中的目标。
【零售和消费品＆存货】快递包裹条形码与二维码识别系统源码＆数据集全套：改进yolo11-RFCBAMConv
m0_74341485的博客
11-02 1070
本项目数据集信息介绍本项目所使用的数据集名为“qqr4j”，旨在为改进YOLOv11的快递包裹条形码与二维码识别系统提供高质量的训练数据。该数据集专注于两个主要类别的识别任务，分别是“Barcode”（条形码）和“qrcode”（二维码），总类别数量为2。这一设计使得数据集能够涵盖快递包裹中常见的标识符，进而提高系统在实际应用中的识别准确性和效率。“qqr4j”数据集的构建过程经过精心设计，确保了数据的多样性和代表性。
Cityscapes数据集：如何将像素级的多边形标注的分割数据标注转为目标检测的bbox标注
weixin_43723625的博客
11-01 504
城市街景数据集 Cityscapes © 收集了来自 50 个不同城市、良好天气条件下的街景，共包含 5000 张高分辨率（1024x2048）图像。其中 3475 张带标注的图像用于训练和验证（
计算机视觉-显著性检测实验报告
qq_55882840的博客
11-01 678
例如，通过将显著图二值化，与人工标注的显著区域进行比较，计算准确率（正确检测为显著的像素占检测为显著的像素总数的比例）和召回率（正确检测为显著的像素占实际显著像素总数的比例），进而绘制准确率 - 召回率曲线。3.基于最小方向对比度的显著性检测是一种用于图像处理的技术，其核心思想是通过计算每个像素点在其周围局部区域内的方向对比度来确定该像素点的显著性。可以考虑这个像素或者超像素周围的这样一个邻域：其内部各像素应当具有比较相似的颜色或灰度(内部差别小)，但其总体又与其外部有明显不同的外观(内外差别大)。
评论
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