自适应旋转校准改善GPS-VIO融合方法

于 2024-06-29 16:22:46 发布
阅读量167 收藏
点赞数
分类专栏： 点云PCL与SLAM 文章标签： 点云
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/u013019296/article/details/135988725
版权
点云PCL与SLAM 专栏收录该内容
81 篇文章 585 订阅 ¥9.90 ¥99.00
订阅专栏

文章：Improving GPS-VIO Fusion with Adaptive Rotational Calibration

作者：Junlin Song, Pedro J. Sanchez-Cuevas, Antoine Richard, Raj Thilak Rajan and Miguel Olivares-Mendez

编辑：点云PCL

欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。

公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。文章未申请原创，侵权或转载联系微信cloudpoint9527。

摘要

准确的全局定位对于自主导航和规划至关重要，为此提出了基于GPS辅助的视觉惯性测程（GPS-VIO）融合算法。本文介绍了一种能够显著改善基于GPS和VIO框架之间旋转外参校准的新型GPS-VIO系统，这个外参数是可观测的，这一点通过非线性可观测性分析进行了证明，我们还在包括飞行无人机和行驶车辆在内的多种平台上对所提出的算法进行了广泛评估，实验结果支持可观测性分析，并显示相较于最先

了解本专栏 订阅专栏 解锁全文
点云PCL公众号博客
关注
专栏目录
订阅专栏
MATLAB算法实战应用案例精讲-【人工智能】SLAM（概念篇）（补充篇）
qq_36130719的博客
06-07 1106
SLAM 算法最早出现在 SmithSelf 和 Cheeseman 的论文中,他 们 运用扩展卡尔曼滤波对状态空间中的机器人位姿和特征 ( 路标 ) 位置进行同 时 估 计。计 算 复 杂 度 高 一 直 是 SLAM 的 难 题 之 一 ，在 基 于 特 征 的SLAM 算法中,标准 EKF SLAM 方法的计算复杂度与环境特征个 数 呈二次方关系,这使得它只能在一般不超过上百个特征的较小范围内应用。因此,研究一种计算量可随地图大小进行缩放的 SLAM 算法成为一个公共难题。
美团SRI-GVINS：将GNSS原始观测与视觉惯性深度融合的导航新SOTA
最新发布
CV_Autobot的博客
06-16 377
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『SLAM』技术交流群论文作者|Jun Hu编辑 | 自动驾驶之心GNSS如何融入VI系统视觉-惯性里程计（VIO）或视觉-惯性导航系统（VINS）是融合相机测量和惯性测量单元（IMU）数据，以估计传感平台的3D运动，包括方向、位置和速度，可分为基于优化的方法和基于滤波...
【AI视野·今日Robot 机器人论文速览 第三十九期】Fri, 22 Sep 2023
TomRen
09-23 336
AI视野·今日CS.Robotics 机器人学论文速览 Fri, 22 Sep 2023 Totally 39 papers 👉上期速览✈更多精彩请移步主页 Daily Robotics Papers ForceSight: Text-Guided Mobile Manipulation with Visual-Force Goals Authors Jeremy A. Collins, Cody Houff, You Liang Tan, Charles C. Kemp我们推出了 Force
SLAM多传感器融合调研
ojyoungman的博客
10-22 3515
多传感器融合SLAM 经过一段时间发展，逐步形成了视觉惯性系统，激光惯性系统和激光视觉惯性系统，通过对综述文章的学习，并聚焦于激光视觉惯性融合这一方向，分为松耦合与紧耦合，对相关融合算法文献进行调研。—提示：以下是本篇文章正文内容，下面案例可供参考。
视觉slam论文、代码汇总
如果想成为中心，那么就到中心去吧。
10-17 821
在视觉惯性导航系统（VINS）中，对视觉地标的精确和长距离深度估计具有挑战性。在具有光照变化、移动物体或弱纹理的视觉退化场景中，深度估计可能更加困难，导致鲁棒性和准确性较差。对于低速机器人导航，我们提出了一种固态-lidar增强型VINS（LE-VINS），以提高系统在具有挑战性的环境下的鲁棒性和准确性。来自固态激光雷达的点云被投影到具有惯性导航系统（INS）姿态的视觉关键帧上，以进行深度关联，同时补偿运动失真。提出了一种具有有效平面检查算法的鲁棒深度关联方法来估计地标深度。
VINet 翻译|导读|解析
目睹闰土刺猹的瓜的博客
05-05 3204
VINet：将视觉惯性里程计作为一个序列到序列的学习问题 英国牛津大学计算机科学系 摘要： 本文提出了一种基于流形的序列到序列的学习方法，用于视觉和惯性传感器的运动估计。据我们所知，对于视觉惯性里程计而言，这是第一个端到端可训练的方法，它在中间特征表示水平上进行数据融合。与传统方法相比，我们的方法有许多优点。特别是，它消除了相机和IMU之间繁琐的手动同步和校准。更进一步，我们的模型自然而优雅地合并...
最新综述 | 基于深度学习的SLAM方法：面向空间机器智能时代
计算机视觉life
09-10 5679
最新综述 | 基于深度学习的SLAM方法：面向空间机器智能时代 A Survey on Deep Learning for Localization and Mapping Towards the Age of Spatial Machine Intelligence 基于深度学习的定位与建图方法综述：面向空间机器智能时代 论文地址：https：//arxiv.org/pdf/2006.12567v1.pdf 摘要： 基于深度学习的定位与建图技术近年来受到了广泛的关注。不同于利用物理模型或几何理论的人工设计
SLAM文献泛读5篇
qq_38983484的博客
03-29 1096
这里写目录标题LIC-Fusion: LiDAR-Inertial-Camera Odometry摘要介绍和相关工作结论LIC-Fusion2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking摘要主要贡献如下：总结BALM: Bundle Adjustment for LiDAR Mapping. 2020 ICRV摘要研究背景总结LiDAR-Only Odometry and Localization
PL-VIO:具有点和线特征的单眼视觉惯性系统
03-22
PL-VIO 使用点和线特征的紧密耦合单眼视觉惯性里程表 与点要素相比，线提供了更多的环境几何结构信息。我们提出了PL-VIO，它是一种结合点和线特征的紧密耦合的单眼视觉惯性里程计系统。该代码在Linux上运行，并与ROS...
PL-VIO.pdf_VIO_PLVIO_
10-01
VIO系统能够提供高精度、鲁棒的三维空间中的位置和姿态估计，即使在GPS信号丢失或受限的环境中也能工作。 **1. 视觉传感器与IMU的结合** 视觉传感器通常为摄像头，能够捕捉场景的图像，通过特征检测和匹配来估计...
DM-VIO：延迟边缘化单目VIO方法​
10-07
DM-VIO（Delayed Marginalization Visual-Inertial Odometry）是一种单目视觉惯性里程计系统，它在SLAM（Simultaneous Localization And Mapping，同时定位与建图）领域具有重要意义。该系统采用两种创新技术——...
VINS_FUSION入门系列---GPS与VIO融合
pj_find的博客
06-05 3117
参考的博客:https://blog.csdn.net/subiluo/article/details/105429471 http://www.luyixian.cn/news_show_313718.aspx 1.代码的输入输出 输入输出的定义都在globalOptNode.cpp这个文件里面 ros::Subscriber sub_GPS = n.subscribe("/gps", 100, GPS_callback); ros::Subscriber sub_vio = n.subs
点云python-pcl
热门推荐
点云PCL
12-06 3万+
PCL（Point Cloud Library）是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库，它实现了大量点云相关的通用算法和高效数据结构，涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。支持多种操作系统平台，可在Windows、Linux、Android、Mac OS X、部分嵌入式实时系统上运行。如果说OpenCV是2D信息获取与处理的结
3D点云的深度学习
点云PCL
03-22 1万+
使用卷积神经网络（CNN）架构的深度学习（DL）现在是解决图像分类任务的标准解决方法。但是将此用于处理3D数据时，问题变得更加复杂。首先，可以使用各种结构来表示3D数据，所述结构包括： 1 体素网格 2 点云 3 多视图 4 深度图 对于多视图和深度图的情况，该问题被转换为在多个图像上使用2D CNN解决。通过简单定义3D卷积核，可以将2D CNN的扩展用于3D Voxe...
使用深度学习的三维点云分类的介绍
点云PCL
03-22 1万+
在过去的这些年里，对二维图像已经有了大量深入的研究，并且有着长足的发展。它在分类任务上取得了极好的结果主要得益于一下两个关键因素： **1.卷积神经网络。 2.数据 - 大量图像数据可用。** 但是对于3D点云，数据正在迅速增长。大有从2D向3D发展的趋势，比如在opencv中就已经慢慢包含了3D点云的处理的相关模块，在数据方面点云的获取也是有多种渠道， 无论是源于CAD模型还是来自LiDA...
PCL库简要说明
点云PCL
04-11 1万+
PCL（PointCloudLibrary）是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库，它实现了大量点云相关的通用算法和高效数据结构，涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。支持多种操作系统平台，可在Windows、Linux、Android、MacOSX、部分嵌入式实时系统上运行。如果说OpenCV是2D信息获取与处理的结晶，那
PCL中点云数据格式之间的转化
点云PCL
04-11 1万+
（1） 关于pcl::PCLPointCloud2::Ptr和pcl::PointCloud<pcl::PointXYZ>两中数据结构的区别 pcl::PointXYZ::PointXYZ ( float_x, float_y, float_z ) 区别： ...
PCL点云分割（1）
点云PCL
04-11 9965
点云分割是根据空间，几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征，点云的有效分割往往是许多应用的前提，例如逆向工作，CAD领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于3D内容的检索，组合重用等。 案例分析 用一组点云数据做简单的平面的分割： planar_segmentation.cpp #include ...
msckf-vio运行
06-06
msckf-vio是一种基于视觉信息的多传感器融合定位和导航算法。要运行msckf-vio，你需要先准备好以下设备和环境： 1. 摄像头：msckf-vio需要一个或多个摄像头来获取视觉信息。 2. IMU：msckf-vio需要一个惯性测量单元（IMU）来获取加速度计和陀螺仪的数据。 3. 计算机：msckf-vio需要一台计算机来运行算法。 4. ROS：msckf-vio是基于ROS（Robot Operating System）的算法，所以你需要先安装ROS。 一旦你准备好了这些设备和环境，就可以按照以下步骤运行msckf-vio： 1. 启动摄像头和IMU，并将它们连接到计算机上。 2. 在ROS中启动msckf-vio节点。 3. 订阅摄像头和IMU的数据流，并将它们输入到msckf-vio节点中。 4. 等待msckf-vio算法完成初始化，然后就可以开始获取相机位姿和IMU数据的估计结果了。 请注意，msckf-vio需要进行一些参数调整和校准才能在实际应用中达到最佳效果。因此，在使用msckf-vio之前，请务必仔细阅读算法的文档，并按照文档中的说明进行设置和校准。
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

打赏作者

点云PCL公众号博客

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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