（算法分析）Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM

最新推荐文章于 2023-07-31 13:31:07 发布
最新推荐文章于 2023-07-31 13:31:07 发布
阅读量1.1k 收藏 2
点赞数 1
分类专栏： 视觉SLAM
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/stanfan/article/details/100582878
版权
本文介绍了视觉惯性SLAM（Visual-Inertial SLAM）算法，包括局部BA优化、回环检测、紧耦合重定位、全局位姿图优化和地图融合。在局部BA中，优化关键帧的位姿、速度和特征点深度。回环检测使用词袋模型，通过特征匹配和几何验证识别已参观过的区域。紧耦合重定位和全局位姿图优化确保全局一致性，通过4自由度的位姿优化减少累积漂移。地图融合则实现不同地图的合并，通过降采样保持系统的实时性能。
摘要由CSDN通过智能技术生成

IV. Algorithm

A. Visual-inertial Odometry

在局部BA中优化的量有：
几个关键帧的位姿，速度，IMU的偏差，特征点的深度。

仅一些关键帧暂时被放在局部窗口中。之前的关键帧都被丢弃在窗之外，为了能够约束计算的复杂度。
在这里插入图片描述
按照文章所说，那么这幅图就代表了一个滑动窗的内容，其中 x0 ,x1 ,x2 ,x3 ,x4 是指关键帧的位置。f0,f1代表关键帧的特征点。
在这里插入图片描述
第k个IMU的状态包括位置变量Pbkw,速度变量Vbkw，方向变量qbkw,这些变量指的是世界坐标系下的变量。ba,bg是IMU的角速度和加速度的偏差。xcb指的是从相机坐标系到像素坐标系的转换（个人理解，可能有误&#

最低0.47元/天 解锁文章
stefanDM
关注
专栏目录
Keyframe-Based Visual-Inertial SLAM Using Nonlinear Optimization
11-03
《基于关键帧的视觉惯性SLAM的非线性优化》是机器人领域中一个重要的研究，它探讨了如何高效地融合视觉传感器和惯性测量单元（IMU）的数据，以实现更准确的Simultaneous Localization And Mapping（SLAM）算法。...
＜论文阅读＞多机器人系统的地图融合（map merging for multi-robot system）
秃头队长
11-16 6504
@masterthesis{Hörner2016, author = {Jiří Hörner}, title = {Map-merging for multi-robot system}, address = {Prague}, year = {2016} 多机器人探索拥有比单个机器人明显的优势，可以去做一些单个机器人无法做的事情。在全分布式系统中，消除了单点故障。 多机器人群可以克服导航和建图算法中的底层缺陷，特别当使用异构机器人群时，当某处一个机器人被困住了，就会被使用不同算法的机器人取代。 当前.
（实验评估）Relocalization, Global Optimizition and Map Merging for Monocular Visual-Inertial SLAM
stanfan的博客
09-09 484
V. Experiment Results 设计的系统分别在一些公开数据集和外部环境进行了验证。在公开数据集上与2017年发表在IROS上的一片文章“Keyframe-Based Visual-Inertial Oline SLAM with Relocalization”https://arxiv.org/pdf/1702.02175.pdf这篇文章进行了性能的比较。外部环境的实验主要是为了说明...
ICAR论文阅读总结-在单目视觉惯导SLAM中的重定位，全局优化以及联合地图
elecstar的博客
11-01 698
原英文名 提示：上面这个名字是我自己翻译的，原文名字我也给出来了。 原文名：Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM 文章目录原英文名前言一、Visual-inertial Odometry二、1.2.总结 前言 总结：本文提出一种单目视觉惯导SLAM系统在相机重定位、全局优化以及地图合并方面的创新： 相机与IMU的紧耦合：基于滑动窗口的非线性优化框架以紧耦合的方式处理视
VINS-Mono论文详解
qq_29320587的博客
06-27 922
由相机和低成本惯性测量单元（IMU）组成的单目视觉惯性系统：VINS，是度量六自由度（DOF）状态估计的最小传感器组件。然而，不能直接测量距离，在IMU处理，估计器初始化，外部校准和非线性优化方面带来了重大挑战。在这项工作中，我们介绍了VINSMono：一种功能强大且用途广泛的单目视惯状态估计器。我们的方法从用于估计器初始化和失败恢复的robust的过程开始。是一种紧耦合的，基于非线性优化的方法，通过融合IMU预积分值和特征观测值来获得高精度的视惯里程计。
论文阅读 <Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM>...
weixin_30872337的博客
07-16 150
看了一下港科的基于vins拓展的论文<relocalization, global optimization and merging for vins>,在回环的实现部分总体没有什么变化,DBoW2 + PnPRANSAC + 4DOF pose graph，唯一的改动是在pnp前面加了个fundamental matrix RANSAC,应该是有效果调优的,但是根据之前VI...
On-Manifold Preintegration for Real-Time Visual-Inertial Odometry.pdf
04-06
Abstract: Current approaches for visual-inertial odometry (VIO) are able to attain highly accurate state estimation via nonlinear optimization. However, real-time optimization quickly becomes ...
Keyframe-Based Visual-Inertial Odometry Using Nonlinear Optimization.pdf
05-20
Combining visual and inertial measurements has become popular in mobile robotics, since the two sensing modalities offer complementary characteristics that make them the ideal choice for accurate ...
Event-based Monocular Visual Inertial Odometry
10-22
针对这一问题，【Monocular Event Visual Inertial Odometry based on Event-corner using Sliding Windows Graph-based Optimization】提出了一种新的解决方案。该方法利用滑动窗口图优化策略，结合事件角点（Event...
ORB-SLAM2 ---- Tracking::Relocalization函数
qq_41694024的博客
12-05 953
Tracking::Relocalization函数 重定位跟踪解析
韶关学院计算机科学学院（软件学院）简介
06-30
计算机新生答疑群
ORB-SLAM之Relocalization，SLAM重定位流程
mxs30443的专栏
04-19 9907
Relocalization: 1、首先计算当前帧的BOW 2、挑选候选关键帧： （1）、先挑选出和当前帧共享了词节点的所有关键（哪怕只共享了一个） （2）、计算出一个关键帧共享词节点最大的数量，然后将共享词节点最小阈值设置为最大数量的0.8，筛掉不满足数量的关键帧 （3）、计算剩下关键帧和当前帧的BOW相似性得分 （4）、返回所有满足最高得分的0.75的关键帧 3、逐个比较
(文章梳理)Relocalization, Global Optimizition and Map Merging for Monnocular Visual-Inertial SLAM
stanfan的博客
09-06 401
这篇文章来自ICRA2018，并且代码开源 Abstract 我们提出的系统能够在建好的图中重定位并获得绝对位姿。4自由度的位姿图优化用来矫正漂移，获得全局一致。以一种高效的保存和加载方式复用地图。 Introduction VIO存在的问题： 1、visual-inertial odometry approaches(VIO) 的方法仅仅关注局部的精确性。只处理局部区域或者一小段时间内的测量却...
论文阅读—Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM_ICRA2018
chengde6896383的专栏
01-21 252
论文阅读 <Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM>:https://www.cnblogs.com/tweed/p/11195333.html (文章梳理)Relocalization, Global Optimizition and Map Merging for Monnocular Visual-Inertial SLAM:https://blog.cs
Relocalization, Global Optimizition and Map Merging for Monocular Visual-Inertial SLAM
stanfan的博客
09-09 145
文章梳理：https://blog.csdn.net/stanfan/article/details/100582457 算法分析：https://blog.csdn.net/stanfan/article/details/100582878 实验评估：https://blog.csdn.net/stanfan/article/details/100663262 ...
论文笔记——Regression Forest Based RGB-D Visual Relocalization Using Coarse-to-Fine Strategy
qq_46480130的博客
12-21 232
论文笔记——Regression Forest Based RGB-D Visual Relocalization Using Coarse-to-Fine Strategy 论文链接 文章摘要 视觉重新定位在计算机视觉和机器人技术中起着重要作用。但是，特征上的歧义使其仍然具有挑战性。在本文中，提出了一种新颖的基于回归森林的视觉重新定位方法，该方法以从粗到精的方式执行。使用拓扑回归树来预测摄像机所处位置的“粗略”子场景。接下来采用像素坐标对应回归树来完成相机像素坐标预测。通过仅考虑预测子场景中的预测，执行了
简要介绍 | 航行家的视觉：理解Odometry, Relocalization和SLAM的区别与联系
最新发布
NLOS的博客
07-31 321
通过连续的运动估计，Odometry能够跟踪机器人在环境中的位置，即使在没有全局地图信息的情况下也能做到这一点。当机器人失去定位（例如，由于Odometry的累积误差或者临时的传感器失效）时，Relocalization能够利用预先建立的地图信息，通过识别和匹配环境特征，重新找到机器人在地图中的位置。因此，Odometry和Relocalization可以被视为SLAM的核心，因为它们分别实现了SLAM的定位和误差修正功能，而SLAM将这些功能结合起来，实现了在未知环境中同时进行定位和映射。
3.6ORB-SLAM3之重定位Relocalization
超爱吃小蛋糕的66的博客
01-30 2179
MLPNP的核心思想是对于每一个3D空间点，连接空间点到相机光心可以得到一个法向量v，以及在切平面对应的一组正交基[r,s],然后将2D-3D点的投影匹配转换为使用正交基之间进行计算。
ORB-SLAM3论文（四）
qq_38997872的博客
07-30 783
ORB-SLAM3论文（四） 一、MAP MERGING AND LOOP CLOSING（地图融合和回环闭合） tracking和mapping线程通过将地图点投影到估计的相机位姿中，并在附近几个像素的图像窗口中搜索匹配项，以此来找到帧和活动地图之间的短期和中期的数据关联。为了实现定位和回环检测的长期数据关联，ORB-SLAM使用DBoW2词袋位置识别系统。DBoW2用它们的词袋向量建立一个关键帧数据库，并且给定一个查询图像能够根据它们的词包高效地提供最相似的关键帧。 本文提出了一种新的具有改进召回率的位
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