PLS-VIO：双目点线特征融合视觉惯导里程计 （附长走廊数据集）

最新推荐文章于 2023-07-07 11:22:56 发布
最新推荐文章于 2023-07-07 11:22:56 发布
阅读量1.8k 收藏 26
点赞数 5
分类专栏： 视觉激光雷达融合 文章标签： 人工智能 算法
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/weixin_42344264/article/details/108943091
版权
刀耕火种why
关注
  • 5
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 13
    评论
专栏目录
Super odometry:以IMU为核心的激光雷达视觉惯性融合框架（ICRA2021）
qq_29462849的博客
07-20 2137
Super Odometry: IMU-centric LiDAR-Visual-Inertial Estimator for Challenging Environments作者：Shi...
PL-VIO:具有点和线特征的单眼视觉惯性系统
03-22
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完全集成。 1.先决条件 1.1 Ubuntu和ROS Ubuntu 16.04。 ROS动能， 额外的ROS封装 sudo apt-get ...
vslam论文19：利用结构信息改进点线视觉惯性里程计（RAL 2022）
xsyaoxuexi的博客
07-07 415
为了更好地体现我们系统的地图质量，我们还运行PL-VIO来构建线图，如图6(b)所示，我们可以看到，PLS-VIO的地图具有更多的线特征，线的位置也更加准确，同时，VIO系统构建的局部地图精度的提高也会影响姿态估计，从而提高姿态估计的精度。对于剩余的线，我们首先根据角度和距离的一致性将线附加到检测到的曼哈顿世界上，当未分类线的数量大于检测到的线总数的60%时，我们使用RANSAC方法检测X和Y方向的消失点，然后将线分类到新的曼哈顿世界中，类似于Z方向线分类的方法，最后，未分类的线被认为是非结构线。
PLS-VIO 仿真用开源代码阅读理解
白
03-22 1532
代码阅读0. line_geometry1. general_line_factor.h2. general_line_parameterization.h3. plucker_line_parameterization4. plucker_projection_factor.h5. plucker_projection_factor.cpplineProjectionFactor::lineProjectionFactorlineProjectionFactor_incamera::lineProject
PLS-VIO.pdf
12-22
综合点线特征双目视觉惯导里程计，基于VINS-Fusion，参考PL-VIO和VINS-Fusion框架
基于激光雷达和单目视觉融合的SLAM和三维语义重建
点云PCL
05-31 1479
文章：SLAM and 3D Semantic Reconstruction Based on the Fusion of Lidar and Monocular Vision作者：Lu Lou, Yitian Li, Qi Zhang and Hanbing Wei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，SL...
比较经典的点线特征的SLAM算法
weixin_68063596的博客
10-26 860
结构化场景SLAM
Kimera-VIO：具有SLAM功能和3D Mesh生成的视觉惯性里程表
02-04
Kimera-VIO是一种视觉惯性里程表流水线，可根据立体声+ IMU数据进行准确的状态估计。刊物如果您发现此库有用，请引用我们的论文： A. Rosinol，M。Abate，Y。Chang，L。Carlone， 。 IEEE国际Conf。 机器人与自动化...
R-VIO：以机器人为中心的视觉惯性里程表（IJRR2019，IROS2018）
02-02
R-VIO：以机器人为中心的视觉惯性里程表（IJRR2019，IROS2018）
基于矩阵李群表示及容积卡尔曼滤波的视觉惯导里程计新方法
01-12
针对滤波方法实现的视觉-惯导里程计(VIO)问题,为更准确传递旋转运动的不确定性并降低系统线性化误差,提高位姿估计的精度,设计并实现了一种高维矩阵李群表示的采用容积卡尔曼滤波框架实现的VIO算法.算法将状态变量...
Kimera-VIO-ROS:Kimera-VIO 的 ROS 包装器
08-04
Kimera-VIO-ROS ROS 包装器。出版物如果您觉得这个图书馆有用，我们恳请您引用我们的论文： A. Rosinol、M. Abate、Y. Chang、L. Carlone、 。 IEEE 国际会议。 机器人与自动化 (ICRA)，2020 年 。 @InProceedings {...
slslam----基于线特征的双目SLAM系统（关键知识点整理）
CGJustDoIT的博客
03-22 2208
slslam----基于线特征的双目SLAM系统（关键知识点整理）1.注2. line 提取与跟踪2.1 简要2.2 主要代码2.2.1 line map 结构2.2.2 添加 line 进 line map3. 当前帧位姿估计3.1 简要3.2 主要代码 （BA）3.2.1 设置优化需要的参数索引3.2.2 build ceres4. 滑动窗口优化4.1 简要4.2 主要代码 (Local BA)5. 回环检测与位姿图优化 1.注 slslam 的论文 《Building a 3-D Line-Bas
TUM数据集
xiaojinger_123的博客
07-07 1万+
TUM数据集下载链接 https://vision.in.tum.de/data/datasets/rgbd-dataset/download 由于 TUM数据集是从实际环境中采集的,需要解释一下它的数据格式(数据集一般都有自己定义的格式)。在解压后,你将看到以下这些文件: rgb.txt 和 depth.txt 记录了各文件的采集时间和对应的文件名。 rgb/ 和 depth/目录存放着采集到的 png 格式图像文件。彩色图像为八位三通道,深 度图为 16 位单通道图像。文件名即采集时间。 grou
PL-VIO（点线slam）学习笔记（持续更新）
joun772的博客
07-22 5455
1
Image数据集
it-hao的博客
11-23 1万+
原文链接： （English）http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm#action 一、行动数据库 20bn-Something-Something - 密集标记的视频剪辑，显示人类使用日常物品执行预定义的基本动作（Twenty Billion Neurons GmbH） 3D在线行动数据集 - 有七个行动类别（微软和南...
常用的公共数据集（二）
热门推荐
yh的博客
03-22 2万+
十一、一般视频 AlignMNIST- MNIST手写数据集的人工扩展版本。（en Hauberg） 视听事件（AVE）数据集- AVE数据集包含4143个YouTube视频，涵盖28个事件类别和AVE数据集中的视频，在时间上标有视听事件边界。（田亚鹏，景石，李伯辰，段志尧，徐晨亮） 多模态语义自我中心视频（DoMSEV）的数据集 - 标记80小时的多模式语义自我中心视频（DoMSEV）...
线特征
Leeniux
06-19 622
线特征—LSD算法（二） https://www.cnblogs.com/Jessica-jie/p/7512152.html 线特征—LBD算法（三） https://www.cnblogs.com/Jessica-jie/p/7523364.html 线特征—EDLines原理（六） https://www.cnblogs.com/Jessica-jie/p/7655466.html 线特征—...
【代码阅读】PL-VIO
博客标题不能为空我也没办法
08-19 2792
PL-VIO代码阅读，主要记录线特征相关部分
使用速腾16线激光雷达跑通cartogranpher-2d作为真值,对视觉激光融合结果使用evo评估
weixin_42344264的博客
12-04 1393
摘要：长走廊数据集,使用cartographer记过作为真值，评估视觉和雷达融合(VINS-Fusion-Lidar)的结果。框架：vins-fusion、vins-fusion-lidar、aloam 一、配置cartographer参数 my_robot_3d.lua include "map_builder.lua" include "trajectory_builder.lua" options = { map_builder = MAP_BUILDER, trajectory_buil
dm-vio: delayed marginalization visual-inertial odometry解读
最新发布
09-17
DM-VIO是一种基于延迟边缘化的视觉惯性里程计(Visual-Inertial Odometry)算法。视觉惯性里程计是一种通过分析相机和惯性测量单元(IMU)的数据来估计相机在三维环境中的运动的技术。DM-VIO通过边缘化传感器测量历史来实现优化过程，以提高姿态和位置估计的准确性。 传统的VIO算法通常会使用非线性优化方法来进行估计，但是由于计算能力和传感器延迟的限制，实时性和鲁棒性方面存在一定的挑战。DM-VIO通过引入延迟边缘化的方法，将传感器测量历史进行边缘化处理，从而实现了良好的实时性能。 具体来说，DM-VIO首先对传感器数据进行预处理，包括惯性测量单元的时间戳校准和相机的畸变校正。然后通过非线性优化方法估计相机的位姿和速度。在优化过程中，DM-VIO使用延迟滑窗来处理传感器延迟问题，将最近的一段时间内的测量数据一起进行优化，并通过边缘化处理来移除旧的数据。 DM-VIO算法的优势在于它能够有效地处理传感器延迟，并且在保持良好的实时性能的同时提高了估计的准确性。通过考虑传感器测量历史，DM-VIO能够更好地捕捉相机的运动特性，并减少噪声和误差的影响。 总之，DM-VIO是一种基于延迟边缘化的视觉惯性里程计算法，通过处理传感器延迟和优化历史测量数据，它能够实现更好的实时性能和准确性，对于自主导航、增强现实等应用具有重要的意义。

“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 13
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