小觅智能 | VINS-kidnap 学习笔记

最近沈劭劼老师实验室又新出了一篇论文，提出了一种多世界坐标系统的相对计算和处理的全功能系统，能够减少测距漂移，从复杂的 kidnap 场景（相机被遮挡）和随机的测距故障中恢复。感谢沈老师开源，项目地址：HKUST-Aerial-Robotics/VINS-kidnap。

VINS-kidnap 主要亮点：
作为 VINS-Fusion 的附加组件是一个功能齐全的系统，它使用全图像特征点进行位置表示，能够实时地从测距漂移，绑架和故障中恢复，可以与任何 VIO 系统配合使用， 并且 Learning Code 2 和 VINS-Fusion 插件 ROS Package 3 是开源的。
一种新颖的损失函数，用于处理标准 NetVLAD 训练中观察到的梯度问题。
解耦卷积而非标准卷积，在精确调用的基础上具有相似的性能，但计算成本降低 3 倍，可学习参数减少约 5-7 倍，使其非常适合实时闭环检测问题。
压缩 CNN 特征点的通道，而不是为扩展性显著降低图像特征点的维数，即使是 512-D 图像特征点也能提供合理的性能。
相比视觉词袋（BOVW）模型容易遇到大视角差异，噪音，弱光，曝光变化，少特征点的情况，此次提出的方法可以很好地在非平面平行视角下识别重复的位置。

这次沈劭劼老师实验室还是使用了我们的小觅双目深度相机系列：