jiweinanyi的博客

摘要本文提出了一个新的紧耦合单目视觉惯性SLAM方法，能够在标准的CPU上进行精确、鲁棒的实时定位。首先，本文使用视觉惯性EKF产生一个高频的运动估计，但是由于线性化问题，其结果会变得不一致。因此，本文使用基于关键帧的视觉惯性BA以提高系统的一致性和精度。另外，一个闭环检测与校正的模块被加入到系统中以消除累积漂移误差。最终，优化后的运动估计和地图反馈到基于EKF的视觉惯性里程计模块中，进一步降低...

前言在SLAM方法体系中，总有那么一部分是和线段，平面，边缘相关的方法。这并不是为了和特征点法或者直接法不一样而去构造的新的方法，环境中存在的这么多几何特征，同样能够对相机的位姿估计产生有效约束。尽管它们不如特征点具有较高的普遍性，但是对于室内环境，越高层的几何特征越具有优势。摘要基于infinite平面的SLAM方法由于相比于基于稀疏点和稠密像素的方法具有较小的复杂度受到广泛的关注。本文展...

前言网上关于先验信息矩阵稀疏化的中文资料非常少，而个人觉得NFR(Nonlinear Factor Recovery)在提高边缘化后的信息矩阵稀疏性，提升非线性求解效率和精度方面具有重要作用。与本文相关的文章有Nonlinear factor recovery for long-term SLAM和Visual-Inertial Mapping with Non-Linear Factor Re...

前言摘要在位姿估计和环境建图中，相机和IMU是两种互补的传感器。二者的结合使得视觉里程计更加精确和鲁棒。在全局一致性建图中，但是，并不能直接地融合视觉和惯性单元。对具有较大基线的图像的运动估计是需要的。因此，许多系统基于关键帧进行操作，关键帧之间具有较大的时间间隔。惯性数据随着间隔时间的增大而快速degrades，经过几次二次积分，惯性数据会包含的有用的信息较少。在本文中，本文提出了一个使用...

最近在看VINS-Mono的代码，关于边缘化过程产生了一些疑问，在构造信息矩阵H后，对H矩阵进行边缘化操作，产生先验信息矩阵，然后再和后面的新的因子图的信息矩阵进行叠加形成了新的信息矩阵，然后再进行求解。但是由于新的因子图构造包含了上一个因子图中的大部分节点。因此，先验的信息矩阵中就包含了被保留节点的残差信息，然后新的因子图对应的信息矩阵又包含了被保留节点的残差信息，这样不就重复添加了被保留的边了...

引言视觉特征从提取到构造视觉误差再到优化，是VINS中重要的一部分。所采用的特征法，光流跟踪，重投影误差，基于归一化平面的残差计算等等都值得具体的分析与思考。下面我们将从整个代码的主函数开始，沿着特征处理进行介绍。主函数整个系统的主函数在estimator_node.cpp中，进一步的IMU数据和视觉数据的处理是在process()函数中，数据的获取是在getMeasurements()函数...

直接介绍我们最关心的部分：Multilevel Patches and Photometric Error4.1 Multilevel Patch Features每个特征与一个多层次的patch特征相关联，是从图像金字塔上提取的图像块。与传统的特征描述子相比，基于图块的描述子能够计算像素误差，因此能够避免使用重投影误差。将每个像素都考虑在内能够提供更加丰富的环境信息。对于基于最小化重投影误...

摘要视觉初始化的过程是至关重要的，如果在刚开始不能给出很好的位姿态估计，那么也就不能对IMU的参数进行精确的标定。这里就体现了多传感器融合的思想，当一个传感器的数据具有不确定性的时候，我们需要依赖与其他传感器进行降低不确定性。同理，当相机在弱纹理或者高动态场景下工作时，预期的SLAM算法能够根据IMU的数据补偿视觉不确定性带来的精度损失。下面，我们对VINS-Mono中的视觉初始化部分的代码进...

VINS-Mono代码总结-IMU预积分与残差计算关于VINS-Mono系统的理论推导和代码讲解，网上有很多优秀的博客，如VINS-Mono代码分析与总结(一) IMU预积分,VINS-Mono源码解析（三）后端: IMU预积分,VINS-Mono预积分公式推导,VINS-Mono 论文公式推导与代码解析,VINS-Mono代码分析总结VINS-Mono理论学习——IMU预积分 Pre-int...

边缘化策略参考博客：https://www.cnblogs.com/feifanrensheng/p/10532918.html\url{https://www.cnblogs.com/feifanrensheng/p/10532918.html}https://www.cnblogs.com/feifanrensheng/p/10532918.htmlhttps://blog.csdn.ne...

非线性优化部分代码解析之前已经对VINS-Mono的初始化部分进行了介绍，下面结合代码和公式介绍其非线性优化部分。本文部分参考https://blog.youkuaiyun.com/u012871872/article/details/78128087\url{https://blog.youkuaiyun.com/u012871872/article/details/78128087}https://blog.csd...

视觉惯性联合初始化其对应的函数为visualInitialAlign()是在初始窗口中的图像帧完成SFM三维重建之后，即各图像帧在参考坐标系下的初始位姿都已经计算完成之后，执行的。该函数主要实现了陀螺仪的偏置校准(加速度偏置没有处理)，计算速度V[0:n]、重力g、尺度s。同时更新了Bgs后，IMU测量量需要repropagate；得到尺度s和重力g的方向后，需更新所有图像帧在世界座标系...

论文翻译：Trifo-VIO: Robust and Efficient Stereo Visual Inertial Odometry using Points and LinesSome ideasAbstract引言Related WorkEstimator Description功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你...

摘要本文中，我们提出了一个新的基于平面和IMU的稠密SLAM方法(DPI-SLAM)，IMU的预积分与稠密VO进行松耦合，与平面的观测进行紧耦合。位姿，速度以及IMU偏置与平面特征一起进行优化。使用的是iSAM2的优化方法。结合基于RGBD和IMU的里程计估计能够在没有充足平面的场景下进行位姿跟踪。将IMU的状态和平面的状态在全局优化中的建模能够降低漂移误差，提升建图性能。而且，相邻平面的结构约...