![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
RGBD-IMU 紧耦合
Y.Z.A
这个作者很懒,什么都没留下…
展开
-
KinectFusion: Real-Time Dense Surface Mapping and Tracking ICP迭代更新部分推导
其实就是kinectfusion这篇文章里面的§3.5那一部分拿出来仔细读一下,代码里面要参考着写ICP部分实时相机定位需要对于每个新进来的深度图估计当前相机位姿Tw,kT_{w,k}Tw,k,很多方法为了加速运算选择从深度图里面挑选出特征点,抛弃剩下的深度信息。而在我们的工作里面,利用两个trick来用上所有的数据,实现稠密的ICP:首先保证采集的数据帧率够高,这样可以用小角度假设,优化我们的运算...原创 2020-08-28 14:01:53 · 353 阅读 · 0 评论 -
VINS-MONO阅读记录
VINS是VIO研究中一个相当经典的架构,现在来读一读这篇论文AbstractVINS系统由相机和低成本的IMU组成,最大的挑战在于没有直接的距离测量手段,这直接导致了初始化、外部校准、非线性优化上的问题。VINS则是一个鲁棒的,多种用途的系统。故事从估计器的初始化和失败恢复讲起。使用紧耦合的,基于非线性优化的方法来获得高准确度的视觉惯性里程计。回环检测模块和我们的紧耦合方式相结合,可以降低计算代价,还额外加入了四个姿态图优化来增强全局一致性Introduction单目相机的视觉系统无法获得尺度信息原创 2020-07-01 14:17:38 · 840 阅读 · 1 评论 -
Combining Inertial Navigation and ICP for Real-time 3D Surface Reconstruction 论文阅读
中心思想提出了一个能把ICP和IMU更好结合的算法,增强ICP算法的能力主要贡献引入度量来评估ICP跟踪质量并确定ICP跟踪何时变得不可靠。展示了如何使用IMU数据来提高ICP质量并减少所需的ICP迭代次数,在某些情况下,每帧仅需要一次ICP迭代。证明了使用IMU进行航位推算可以在ICP跟踪失败时使实时3D扫描正确恢复ICP算法失败情况分析引入了一个参数r=|Ax-b|^2_2来表示ICP算法的质量ICP初始化的改善之前的ICP的初始化都是从上一帧为基础的,加入了IMU信息之后可以依据IM原创 2020-06-12 11:48:25 · 197 阅读 · 0 评论 -
2018 ICRA Dense Planar-Inertial SLAM with Structural Constraints 论文阅读
Introduction用平面作为地标的SLAM系统往往有着更好的性质,然而随着时间的延长,误差逐渐积累也会导致跟踪丢失,所以我们应该把它和IMU结合到一起。这项工作的主要思想是将惯性测量结果与平面观测结果融合在一起,以获得更好的SLAM性能。前人的方法包括VIN,用的是滤波的方法,但是,由于高度非线性的惯性状态在每帧都被边缘化,无法通过以后的观察或闭环进一步校正,因此滤波方法无法生成一致的解,因此不适用于SLAM任务。batch optimization虽然很好,但是很消耗计算资源,随后提出的滑动原创 2020-06-11 20:15:14 · 235 阅读 · 0 评论 -
2017 IROS Dense RGB-D-Inertial SLAM with Map Deformations论文阅读
Abstract稠密的视觉SLAM可以对场景进行稠密重建,但是当初始化不好的时候会导致tracking缺乏鲁棒性。而稀疏的视觉SLAM在和IMU紧耦合后准确性很高,综合二者提出RGBD惯性SLAM系统系统可以在GPU上实时运行,同时优化相机位姿,速度,IMU偏差和重力方向,还能进行3D稠密重建。Introduction移动系统上的SLAM系统可以分为两部分:稀疏的基于地标的系统和稠密/半稠密的系统。稀疏的系统无法产生可以用于机器人导航的地图,但是鲁棒性极好。加入IMU之后鲁棒性会更好。松耦合经常使原创 2020-06-11 18:51:28 · 307 阅读 · 0 评论