本文介绍了一种将LiDAR深度信息整合到传统视觉导航系统的方法，显著提升了定位精度和系统的鲁棒性。文章探讨了双目视觉的局限性，以及如何利用点云数据改进平移和旋转估计。通过将周围点云分类并结合语义信息，优化了地标权重，提高了导航性能。
简单来说，作者把lidar的深度信息引入传统的视觉导航系统中，从而获得了尺度和定位的精度提升和鲁棒性。
一些有趣的views:
-
双目的缺点在于其严重依赖于外参的标定精度
-
图像里的特征点往往位于边界，如直接用特征点附近的点云邻居来进行平面拟合获得深度信息，往往会出错。因而先进行histogram下的分隔后再进行平面拟合。
-
作者把车周围的点云分为3类：
近点：对平移估计重要，但很难测量，因为光流很大
中点：对旋转和平移重要，随机选择部分来避免局部最优值
远点：对旋转重要，并便于追踪，但不能恢复平移量，因而取一部分
同时，作者使用语义信息来给不同的landmark附加权重，如树枝等权重很低，因为可能会动。
- 后端优化方程：包含了重投影误差，深度估计值与测量值之间的偏差，以及初始两帧之间的平移变化量
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
