这个B站视频可以花时间看看 主流VIO综述及VINS解析 （用因子图可以把整个SLAM问题表示得非常清楚）

最新推荐文章于 2022-11-23 10:06:09 发布
最新推荐文章于 2022-11-23 10:06:09 发布
阅读量1.3k 收藏 24
点赞数 3
分类专栏： 无人机-自己实现VIO 无人机-SLAM-vins 无人机-SLAM-理论
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/sinat_16643223/article/details/114456269
版权

这个B站视频可以花时间看看  主流VIO综述及VINS解析

这个似乎让我对SLAM似乎有点感觉，有体系框架了。

 

VIO主流框架&VINS推导解析

https://www.bilibili.com/video/BV1gb411a7bh?from=search&seid=15057309362272648788

 

这里面有说到MSCKF，这似乎就是T265用的。

 

 

用因子图可以把整个SLAM问题表示得非常清楚。

 

 

https://blog.csdn.net/sinat_16643223/article/details/114486361

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

vins里面也是用的光流法去跟踪特征点

 

诗筱涵
关注
  • 3
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
主流VIO技术综述及VINS解析_崔华坤等
03-21
主流VIO技术综述及VINS解析_崔华坤等、ICE-BA论文分析及GBA代码解析、ROVIO论文推导及代码解析_V5_byHK20181018、VINS论文推导及代码解析_可公开_崔华坤_190221_V12
VINS论文推导及代码解析_崔华坤.pdf
07-02
VINS论文推导以及代码解析，IMU预积分推导过程以及与视觉信息的融合校准过程，代码解析，有助于理解vins的论文
bench_ws:用于与不同状态估计算法（即 VINS-Mono、VINS-Fusion、ORBSLAM3、Stereo-MSCKF 等）进行比较的 catkin 工作区
05-29
长凳_ws 用于对不同状态估计算法进行基准测试的 catkin 工作区，即： 建造 构建过程相当自动化，此 repo 假设您在安装了 Ubuntu 18.04 的 linux 机器上运行。 然后要使用此存储库，您将发出以下命令， make deps make submodules make build 它安装依赖项，拉取 git 子模块并构建这个工作区。 在 EuroC 数据集上运行 首先获取数据集。 默认情况下，此项目提供的启动文件假定您有一个名为/data/euroc_mav/rosbags的目录，并且其中包含 rosbags，如下所示： MH_01.bag MH_02.bag MH_03.bag MH_04.bag MH_05.bag V1_01.bag V1_02.bag V1_03.bag V2_01.bag V2_02.bag V2_03.bag 请注意如何删除e
VIO review.pdf_VIO综述_
10-04
ＶＩＯ综述方面的文章，很好的东西，谢谢收录
VINS论文推倒及代码解析
09-13
VINS 的功能模块可包括五个部分:数据预处理、初始化、后端非线性优化、闭环检测及闭环优化。代码中主要开启了四个线程,分别是:前端图像跟踪、后端非线性优化(其中初始化和 IMU 预积分在这个线程中)、闭环检测、闭环优化。
Realsence D455标定并运行Vins-Fusion
没有简介
11-23 4888
Realsence D455标定并运行Vins-Fusion
从零学习VINS-Mono/Fusion源代码（二）：前端图像跟踪
slender_1031的博客
10-11 1772
本节学习VINS-Mono前端对图像数据的处理过程，解读回调函数img_callback()中的操作。
vins的imu和camera对齐以及预积分计算
u010949023的博客
04-13 480
imu和image的对齐策略如下图所示： image20hz，imu100hz.每两帧image会对应6帧imu,注意，w6一定会加入进去。在下一帧image中，w6也会加入进去(就变成下一帧image的头)，w6会被使用两次。 求j帧image对应的imu预积分过程： 代码里预积分采用的最简单的中值，un_gyro = 0.5 * (w+last_w)*dt 故我们需要知道每段imu当前的w,上一次的w和两者之间的dt 1.首先我们确定j帧image对应几组imu数据：w1(wi, idt2),w2(w
从VINS-MONO到VIO学习（一）
AsJHJYHJYG的博客
06-30 389
VINS
【SLAM】VINS-MONO解析——后端优化(理论部分)
热门推荐
iwanderu的博客
03-08 1万+
7.后端非线性优化 7.1 理论基础 7.1.1 bayes模型，因子图和最小二乘 这一部分主要是对董靖博士在公开课《因子图的理论基础》上的回忆和总结。 (1)bayes模型 假设有黄色是机器人在不同时刻的位姿，蓝色是机器人观测到的路标点，红色是机器人对路标点的观测，绿色是机器人对自身运动的观测。 那么，这个过程可以用下面这个bayes-net来描述： 那么，可以有这样的定义： 黄色——机器人...
msckf-vio里面的完整代码压缩文件src.zip
05-23
讲这个文件直接解压就可以使用，省去需要手动添加random_numbers文件夹的烦恼。下载后放在catkin/下面就可以用catkin_make --pkg msckf_vio --cmake-args -DCMAKE_BUILD_TYPE=Release进行编译了
MSCKF vio SLAM融合算法matlab模型源码及完整测试集
09-24
MSCKF vio SLAM融合算法, 含matlab模型源码及完整测试集
VINS论文及代码解析.pdf
11-13
崔老师的VINS论文及代码解析，里面详细对vins算法的实现进行了讲解，以及对应论文的讲解，对应代码的讲解
第一期智能无人机课程里的 PX4+TX2+小觅 vins 实飞教程
诗筱涵的博客
08-06 637
见 https://blog.csdn.net/sinat_16643223/article/details/107844185 。
我感觉D435i的使用有必要写出一篇教程，怎么烧写升级固件，更改分辨率帧率，标定，发布IMU数据等等
诗筱涵的博客
07-21 5357
我感觉D435i的使用有必要写出一篇教程，什么烧写固件，更改分辨率，标定，发布IMU数据等等 可以说D435i涉及到的操作比较多，我感觉应该需要有这方面的一个系列教程，不知道官方有没有。 。 ...
主流VIO框架分析及VINS部分解析
xiaojinger_123的博客
09-02 838
本文为搜集的资料整理： C0包含位姿和运动信息；对于T0来说，不仅受rv10、rv11的视觉影响，也受rb01的IMU的影响。 上述方式繁琐，故引入因子图，便于思路梳理和理解。 引入因子图是为了方便宏观的把握SLAM的框架和问题是如何建立的，避免陷入到一些细节里，被细节迷惑。 f2去掉后引入相关约束 ...
我感觉要不就先用T265跑一下MSCKF？
诗筱涵的博客
08-01 162
我感觉要不就先用T265跑一下MSCKF？主要是我现在我笔记本识别D435i不太行。 也是受这篇启发 https://blog.csdn.net/sinat_16643223/article/details/119278857
这有个用MSCKF融合GPS和VIO的，并且提供了论文和视频
诗筱涵的博客
07-17 906
这有个用MACKF融合GPS和VIO的，并且提供了论文和视频 https://github.com/maxibooksiyi/msckf_vio_GPS 视频：https://www.youtube.com/watch?v=jxfJFgzmNSw&t=3s
KITTI Visual Odometry 榜单（视觉SLAM排行）
诗筱涵的博客
03-29 3415
https://www.zhihu.com/question/309096467/answer/574372850 http://www.cvlibs.net/datasets/kitti/eval_odometry.php
主流vio技术综述及vins解析
最新发布
07-11
### 回答1： 主流的视觉惯性里程计（Visual-Inertial Odometry，VIO）技术是一种通过结合相机和惯性测量单元（Inertial Measurement Unit，IMU）数据实现同时定位和地图构建的方法。 在传统的视觉里程计（Visual Odometry，VO）中，只使用相机图像来计算相机相对于环境的运动，但由于相机本身的缺陷（如遮挡、光照变化等），单独使用相机可能会导致较大的误差。而IMU则可以提供相机的姿态和加速度的信息，可以补偿相机固有的缺陷，并帮助解决跟踪丢失或纯旋转运动时的问题。 主流的VIO技术通常采用过滤器或优化方法进行姿态估计和状态估计。其中，利用卡尔曼滤波或扩展卡尔曼滤波的方法常用于姿态估计，可以将IMU和相机数据进行融合，提高定位的鲁棒性。另外，利用非线性优化算法如图优化等，可以进一步提高定位的精度，构建更精确的地图。 值得一提的是，在VIO技术中，视觉惯性状态估计（Visual-Inertial State Estimation，VISE）和视觉惯性前方视觉里程计（Visual-Inertial Forward视觉里程计，VINS）是两种常用的方案。VISE主要侧重于估计相机的位姿和IMU的状态，并将它们集成到一个优化框架中。而VINS则进一步考虑了前向观测的约束，通过优化相邻帧之间的相对位姿估计，进一步提高了位置的估计精度。 总之，主流的VIO技术通过相机和IMU数据的融合，可以实现高精度、高鲁棒性的定位和地图构建。在VINS中，进一步引入前向观测的约束，可以进一步提高定位的准确性。这些技术的应用广泛，例如无人机、机器人导航、增强现实等领域。 ### 回答2： 主流VIO技术指的是视觉惯性里程计（Visual-Inertial Odometry，VIO）技术，它是一种将视觉传感器和惯性传感器结合使用来实现相机自身位置和姿态估计的方法。VIO技术在无人驾驶、机器人导航、增强现实等领域有着广泛的应用。 VIO技术的基本原理是通过从视觉传感器获取图像信息，结合惯性传感器测量的角速度和线性加速度，通过对图像和惯性数据的联合优化来计算相机的运动轨迹。主流的VIO技术可以分为滤波器方法和优化方法两种类型。 滤波器方法包括扩展卡尔曼滤波（EKF）和无限融合滤波（IFM）两种。扩展卡尔曼滤波方法基于状态空间模型，通过对状态变量的预测和更新来实现相机位置和姿态的估计。无限融合滤波方法则通过融合视觉和惯性数据的观测量来实现估计。 优化方法包括非线性优化和光束法平差两种。非线性优化方法通过构建相机运动约束和视觉重投影误差，并采用非线性优化算法来求解最优解。光束法平差方法则通过迭代最小化重投影误差来优化相机运动和三维点云。 VINS（Visual-Inertial Navigation System）是一种基于VIO技术的导航系统。VINS系统不仅仅用于估计相机的运动轨迹，还可以实现更精确的位置和姿态估计以及三维目标重建。VINS系统通常包括前端和后端两个部分。前端负责提取图像特征、跟踪特征点、计算相机运动估计等任务，而后端则负责对前端输出的位姿估计进行优化，进一步提升精度。 总而言之，VIO技术通过结合视觉和惯性传感器的信息，能够实现精确的相机运动估计，用于导航和地图构建等应用。VINS作为VIO技术的一种应用形式，能够提供更精确的位置和姿态估计，有着广泛的应用前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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