vins-mono —— 学习资料

最新推荐文章于 2025-06-04 10:52:50 发布
最新推荐文章于 2025-06-04 10:52:50 发布
阅读量510 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 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.youkuaiyun.com/KongDaQing1290/article/details/88097753
本文深入探讨了由香港科技大学团队研发的视觉惯性里程计VINS-Mono，提供了详细的技术路线与代码解析，适合对机器人定位及导航感兴趣的学习者。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、vins-mono是视觉惯性里程计，由港科大团队研发，目前的学习资料可以参照如下链接：

      VINS技术路线与代码详解

VINS-MONO概述
xiaojinger_123的博客
07-19 1万+
VINS-Mono是HKUST的Shen Shaojie团队开源的一套Visual-Inertial融合定位算法，https://github.com/HKUST-Aerial-Robotics/VINS-Mono，是用紧耦合方法实现的，通过单目+IMU恢复出尺度，效果很好，接下来对会该算法框架逐步解析，以便二次开发。 那么为什么要进行视觉与IMU的融合呢，自己总结的主要有以下几点： 视觉与IMU的融合可以借助IMU较高的采样频率，进而提高系统的输出频率。 视觉与IMU的融合可以提高视觉的鲁棒性，如视觉S
VINS-mono学习总结
lzm89757的博客
03-25 1202
Vins-mono 自学总结
港科VINS-Mono系统学习（1）
qq_31785865的博客
07-17 7080
vins是今年刚开源的vio系统，跑了数据集效果挺好的，所以看了paper和代码。 视频地址：https://www.youtube.com/watch?v=I4txdvGhT6I github：https://github.com/HKUST-Aerial-Robotics/VINS-Mono.git 系统框图如下 主要分为：                 1、测量数据预处理
【VINS-Mono算法深度解析：边缘化策略、初始化与关键技术】
最新发布
weixin_47429781的博客
06-04 1018
VINS系列算法是基于视觉-惯性融合的高精度导航系统，核心分为数据预处理、系统初始化、滑窗VIO和回环检测四个模块。关键技术包括光流跟踪、IMU预积分和紧耦合优化。边缘化策略通过FEJ原理保持系统可观测性，差异化处理关键帧和非关键帧。与ORB-SLAM3相比，VINS采用滑动窗紧耦合优化和单位球面投影。初始化阶段通过视觉-惯性对齐恢复尺度与重力，并对退化运动进行特殊处理。基础矩阵在低视差场景下提供更稳定的位姿估计。算法通过Ceres实现边缘化因子，确保高效优化与约束保留。
vins学习资料整理？
ykwjt的博客
05-12 350
VINS技术路线与代码详解 港科大vins-fusion初探 浅谈VINS中的global fusion节点 应项目需要，侧重学习stereo+gps融合 vins-fusion代码解读[二] 惯性视觉里程结果与GPS松耦合 萌新学VINS-Fusion（三）------双目和GPS融合 https://blog.youkuaiyun.com/weixin_41843971 VINS-FUSION GPS融合坐标转换细节分析 VINS-GPS VINS-Fusion代码按执行顺序阅读（一） 【VINS-Fusion
VINS-Mono
香妃
09-23 1623
文章目录逐次逼近式去畸变给后端提供特征点信息光流追踪 逐次逼近式去畸变 liftProjective() 代替 OpenCV中undistortPoints() 假设现在求A点的去畸变坐标，那么我们将A的坐标直接代入畸变模型中，求得再次畸变的坐标，并求得这个坐标和A之间的距离d.因为越靠近中心这个d越小，此时肯定小于真实坐标到A的距离dt。所以我们在朝真实畸变方向(再次畸变的反方向)上加上这个d，得到一个靠近真实值的方向，在以这个点再进行一次畸变求得距离d2，d2肯定大于d小于dt。d2在加到坐标A上 得到
VINS-Mono详解.pdf
08-25
因此，VINS-Mono采用了一种改进的方法——预积分技术，即将参考坐标系改为前一个关键帧的体坐标系，以减少重复计算。 IMU提供的原始数据包括加速度计和陀螺仪的测量值，这些数据受到各种因素的影响，例如偏置、噪声...
VINS-MONO——Pose_Graph重定位和位姿图优化
weixin_40107913的博客
12-10 2018
4DoF位姿优化——两种类型 四自由度位姿图优化不考虑landmarks、bias等其他变量，只考虑相机的位姿（更准确的说是imu的位姿），并且由于pitch和roll为可观量，只需优化yaw和平移四个自由度即可，其主要有两种策略：一是非闭环关键帧和其他关键帧形成边，另一是闭环关键帧和最早的闭环关键帧形成边（多次经过同一地点，会检测到多个和当前帧形成闭环的关键帧）。 这里需要区分当中用到的local_index，local_index表示将大于最早闭环（first_looped_index）提出来并依次用i
VINS-Mono 代码详细解读——视觉跟踪 feature_trackers
try_again_later的博客
03-13 5939
原理 视觉： 1）提取Harris角点，KLT金字塔光流跟踪相邻帧； 2）2 维特征点先矫正为不失真的，然后在通过外点剔除后投影到一个单位球面上； 3）去除异常点：先进行F矩阵测试，通过RANSAC去除异常点； 4）关键帧选取：1、当前帧相对最近的关键帧的特征平均视差大于一个阈值就为关键帧（因为视差可以根据平移和旋转共同得到，而纯旋转则导致不能三角化成功，所以这一步需要IMU预积分进...
9-visual_feature_VINS-Mono
loyer_kong的博客
11-14 2189
​ 经过上一篇的分析，我们大致了解了这个节点总体情况，以及节点初始化的调用函数的过程。但是，在初步分析的时候，我遇到了很多没见过的名词，对很多概念没有足够的只是理解。在分析完上一篇后，我参考了网上的资料和队友的分析，决定结合视觉模块的参考论文——VINS-Mono来分析visual_feature部分。在本篇代码分析中，我们对作者参考的VINS-Mono和LVI-SAM的visual_feature来分析
VINS-mono 代码解析——IMU预积分processIMU( )实现
Alex的博客
07-13 2481
文章目录前言一 processIMU()函数1 IMU 预积分IntegrationBase类2 push_back()函数3 evaluate（）函数 前言 在VINS-mono中,estimator/src/estimator_node.cpp中,从主函数依次为: main( )---->process( )---->processIMU( ) 其中,processIMU( )函数的原型为: void Estimator::processIMU(double dt, const Vecto
VINS-Mono.pdf
03-28
一种鲁棒通用的单目视觉惯性状态估计器 ， 我们首先从相机传感器提供的图像中提取特征，然后使用光流算法完成预处理。同时，在两个连续帧之间进行IMU预积分。在对所需的一切进行预处理之后，我们执行鲁棒估计初始化。
VINS-Mono A Robust and Versatile Monocular.pdf
03-28
一种鲁棒通用的单目视觉惯性状态估计器 单目视觉惯性系统（VINS）由摄像机和低成本惯性测量单元（IMU）组成，构成测量六自由度（DOF）状态估计的最小传感器组。然而，缺乏直接的距离测量对 IMU处理、估计器初始化、外部校准和非线性优化。在这项工作中，我们提出了VINSMono：一种鲁棒的多用途单目视觉惯性状态估计器。我们的方法从估计初始化和故障恢复的鲁棒过程开始。紧密耦合， 采用基于非线性优化的方法，通过融合预积分IMU测量值和特征观测值，获得高精度的视觉惯性里程计。环路检测模块，结合我们紧密耦合的公式，以最小的计算开销实现重定位。此外，我们还执行四自由度位姿图优化以增强全局一致性。我们在公共数据集和实际实验中验证了系统的性能，并与其他最新算法进行了比较。我们也在MAV平台上执行机载闭环自主飞行，并将该算法移植到基于iOS的演示中。 我们强调所提出的工作是一个可靠、完整和通用的系统，适用于需要高精度定位的不同应用。
VINS-mono详细解读
weixin_30875157的博客
04-15 2695
VINS-mono详细解读 极品巧克力 前言 Vins-mono是香港科技大学开源的一个VIO算法，https://github.com/HKUST-Aerial-Robotics/VINS-Mono，是用紧耦合方法实现的，通过单目+IMU恢复出尺度，效果非常棒。 感谢他们开源，我从中学到了非常多的知识。源码总共有15000多行，我在通读完程序之后，结合参考文献，把程序背后的算法理论都...
VINS-Mono翻译
热门推荐
Pancheng1的博客
07-11 1万+
Abstract由摄像机和低成本惯性测量单元(IMU)组成的单目视觉惯性系统(VINS)构成了用于度量六自由度状态估计的最小传感器套件。然而，由于缺乏直接距离测量，在IMU处理、估计器初始化、外部标定和非线性优化等方面提出了重大挑战。在本文中，我们提出了一种鲁棒的、通用的单目视觉惯性状态估计器VINSMono.我们的方法从一个稳健的程序开始，用于估计器初始化和故障恢复。采用一种基于紧耦合、非线性优...
VINS-Mono详解（一）
伟锅的碎碎念
10-13 7037
文章目录VINS-Mono前端概述入口函数main()回调函数img_callback()发布频率控制特征点提取与光流跟踪单目处理逻辑双目处理逻辑FeatureTracker::readImage()函数更新特征点id VINS-Mono前端概述 VINS-Mono将前端封装为一个ROS节点feature_tracker，该节点订阅相机图像话题数据后，提取特征点（cv::GoodFeatureTo...
VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator
人无远虑，必有近忧
10-29 1842
港科大的VINS-Mono作为目前state of the art的开源VIO项目，是研究视觉与IMU紧耦合的必读算法，网上的论文解读与代码实现也非常丰富（感谢！）。为更好地进行学习，本人在几篇VINS论文解读与翻译的参考与改进下，完成了自己对全文的阅读与翻译，以后将逐步更新自己对算法的解读，欢迎大家一起讨论。 原文：VINS-Mono A Robust and Versatile Monocular Visual-Inertial State Estimator VINS代码地址：https://gith
VINS-Mono详解
bereze的博客
08-01 1548
代码框架 /feature_tracker 视觉前端 n.subscribe(IMAGE_TOPIC, 100, img_callback) 订阅图像话题，执行回调函数img_callback img_callback() trackerData[i].readImage(ptr->image.rowRange(ROW * i, ROW * (i + 1)), img_msg->header.stamp.toSec()); //读取图像进行处理 //! void FeatureTracker
vins-mono算法学习
超爱吃小蛋糕的66的博客
02-28 4936
VINS-Mono：一种鲁棒且通用的单目视觉惯性状态估计器首先是数据预处理模块，主要是指对图像信息和IMU数据的预处理，包括视觉特征检测和KLT光流跟踪，IMU预积分然后进入系统初始化模块，先执行纯视觉单目初始化，进行位姿估计和3D空间点恢复(缺少尺度信息)，然后根据预积分结果恢复尺度信息、对齐重力方向以及帧间的速度信息初始化完成后进入基于滑动窗口的紧耦合VIO过程。
vins-Mono结果
03-12
### VINS-Mono 使用教程 VINS-Mono 是一种基于视觉惯性里程计的技术，能够实现单目相机与IMU融合的高精度位姿估计。为了更好地理解和应用这一技术，建议从官方文档入手[^1]。 对于初学者而言，《VINS-Mono学习——回环检测与重定位》提供了详细的入门指南和实践案例。该资源不仅涵盖了基本原理介绍，还深入探讨了如何通过回环检测来提高系统的鲁棒性和准确性。 ### 源码解析 针对源码的理解，有专门的文章进行了详尽剖析。例如，在一篇关于紧耦合优化的文章中提到，“`preMarginalize()`函数负责处理边缘化过程中先验信息的添加”。当执行新的边缘化操作时，会引入先前存在的约束条件以维持系统尺度的一致性，特别是在发生退化运动的情况下（如无人机悬停或匀速直线飞行），这有助于保持系统的稳定性和精确度[^3]。 此外，还有其他多篇博客文章对不同模块的功能做了细致解读，帮助开发者更全面地掌握整个框架的工作机制。 ### 常见问题及解决办法 #### Ceres Solver 的安装配置 部分用户报告在尝试使用 OpenCV 官方网站上的 Git 方式获取Ceres Solver时遇到了困难；然而，按照Google提供的链接直接下载压缩包文件则能顺利完成编译环境搭建过程[^2]。因此推荐采用后者作为首选方案。 #### 尺度丢失现象 如果遇到由于退化运动引起的尺度不可观测问题，则可以在边际化阶段加入历史观测数据作为额外限制条件，从而有效防止此类情况的发生。 ```cpp // 示例代码片段展示如何在 marginalization 中添加 prior information void preMarginalize(const VectorX& old_state, const MatrixXd& sqrt_info_matrix){ // 添加旧的状态及其对应的协方差矩阵到当前状态空间模型中... } ```
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