Vins-Fusion 学习笔记

最新推荐文章于 2025-06-19 10:31:57 发布
最新推荐文章于 2025-06-19 10:31:57 发布
阅读量4.4k 收藏 12
点赞数
CC 4.0 BY-SA版权
分类专栏： 技术文章 新品发布 行业榜单 文章标签： VINS-Fusion SLAM 小觅双目相机
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/qq_43525734/article/details/88634168
VINS-Fusion是香港科技大学开源的双目视觉惯导SLAM方案，是基于优化的多传感器状态估计器，可实现精确自定位。它是VINS-Mono的扩展，支持多种视觉惯性传感器类型，具有多传感器支持、在线校准等特征，还展示了与GPS融合的模组示例。

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

VINS-Fusion 基本介绍

VINS-Fusion 是继 VINS-Mono 和 VINS-Mobile（单目视觉惯导 SLAM 方案）后，香港科技大学沈劭劼老师开源的双目视觉惯导 SLAM 方案，VINS-Fusion 是一种基于优化的多传感器状态估计器，可实现自主应用（无人机，汽车和 AR / VR）的精确自定位。 VINS-Fusion 是 VINS-Mono 的扩展，支持多种视觉惯性传感器类型（单目摄像机+ IMU，双目摄像机+ IMU，甚至仅限双目摄像机）。开源项目组还展示了将 VINS 与 GPS 融合的模组示例。

特征如下：

多传感器支持（立体摄像机/单声道摄像机+ IMU /立体摄像机+ IMU）
在线空间校准（相机和 IMU 之间的转换）
在线时间校准（相机和 IMU 之间的时间偏移）
视觉循环闭合

大家也可以拿起手头的小觅双目摄像头跑起来，分享你的体验！Github 地址：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion

Vins-Fusion整体框架，数据流分析
u010196944的博客
10-14 3354
Vins-Fusion整体框架，数据流分析
Vins-Fusion——三角化triangulate
u010196944的博客
11-14 1781
Vins-Fusion双目初始化时，三角化triangulate求解特征点的3D位置（路标点）
VINS-Fusion 简介、安装、编译、数据集/相机实测
weixin_43802726的博客
06-15 977
VINS-Fusion是＊＊＊科技大学团队开发的多传感器SLAM方案，支持单目/双目相机与IMU融合。文章详细介绍了在Ubuntu18.04系统中安装依赖项、Ceres Solver和VINS-Fusion源码的步骤，并提供了Euroc数据集在三种模式（双目、单目+IMU、双目+IMU）下的运行方法。最后结合实际应用，说明了如何配置D455相机参数并运行双目+IMU模式。安装过程注意Ceres版本选择和矩阵参数格式，运行需要提前标定相机-IMU参数。该系统适用于无人机、汽车和AR/VR等自主应用的精确定位。
VINS-Fusion
04-02
香港科技大学的项目VINS-Fusion，单目视觉惯性系统的在线时间校准
挑战全网最详细！VINS-Fusion在Docker+ROS Kinetic下100%免修改部署实录：X11配置+EuRoc验证一气呵成
最新发布
傅里叶的耶
06-19 1117
本文详细介绍了在Docker容器中基于ROS Kinetic框架部署VINS-Fusion视觉-惯性里程计系统的完整流程。通过本指南，开发者可以快速搭建可复现的VINS-Fusion实验环境，降低算法应用门槛。文档提供了清晰的操作步骤和常见问题解决方案，适合研究者和开发者参考使用。
VINS_FUSION
qqGHJ的博客
10-25 8729
VINS_FUSION代码解析
vins-fusion解读
bufengzj的博客
01-04 5338
关心vins-fusion，尤其是融合双目与imu那块。 1. 如何安装测试？数据集与自己的相机 1.1 安装测试 1.2 数据集 1.3 自己的相机 目前的相机有小觅相机（带有硬件时间对齐IMU)，realsense，ZED。 2. 论文与资源 代码：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion 文章：T. Q...
【VSLAM】VINS-Fusion原理及源码解析（一）——初识VINS-Fusion
caiqidong321的博客
08-16 7439
本系列博客以`VINS-Fusion`源码流程为导向，从入口函数一步步讲解前端和后端，最后完成仿真和真机实验部署，希望可以细致入微地对`VINS-Fusion`作一个完整全面的讲解。
vins fusion笔记
Pioneerrr_的博客
05-21 1318
1. OpenCV开源、跨平台的计算机视觉和机器学习软件库。轻量级而且高效，由一系列 C 函数和少量C++类构成，同时提供了Python、RubyMATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。简介：基于优化的多传感器状态估计器VINS-Fusion是一款基于优化的多传感器状态估计器，可为自主应用（无人机、汽车和AR/VR）实现精确的自定位。支持多种视觉惯性传感器类型（单声道摄像头+ IMU，立体摄像头+ IMU，甚至仅立体摄像头），也能支持VINS 与 GPS 融合。
SALM文献之-VINS-Fusion: An optimization-based multi-sensor state estimator
qq_36812406的博客
03-11 1555
VINS-Fusion通过紧耦合多传感器优化，有效结合了视觉的高精度相对测量与IMU/GPS的绝对稳定性，其核心在于滑动窗口内的联合非线性优化与全局约束的引入。算法涵盖IMU预积分、视觉重投影误差、传感器融合及位姿图优化，是当前开源社区中性能领先的多模态SLAM解决方案。VINS-Fusion 是香港科技大学团队开发的基于优化多传感器融合框架，支持视觉（单目/双目）、IMU、GPS、激光雷达等多种传感器的实时状态估计与建图。基础上扩展多传感器紧耦合，通过滑动窗口非线性优化实现高精度、低漂移的定位。
vinsfusion
danmeng8068的博客
04-08 736
https://blog.youkuaiyun.com/huanghaihui_123/article/details/86518880 https://blog.youkuaiyun.com/weixin_41843971/article/details/86537228 https://blog.youkuaiyun.com/wangbaodong070411209/article/details/8655...
VINS-Fusion学习笔记
m0_46182398的博客
03-04 4651
VINS-Fusion是一套定位数据融合算法，基于优化的方法对多传感器得到的状态量进行融合估计得到准确的位置信息。VINS-Fusion相比于传统的基于滤波的数据融合算法实现了传感器数据的解耦，对时间同步没有严格要求，定位精度较基于滤波的算法也更高。但该方法所需要的计算时间更长。
【VINS-Fusion】学习笔记
weixin_48852054的博客
06-06 1500
【代码】【VINS-Fusion】学习。
x86_64架构的VINS-fusion-GPU部署
BeeGreen的博客
01-01 1670
在 x86_64 的架构中部署 VINS-Fusion-GPU 的安装过程记录。
VINS-fusion 跑通Euroc、TUM、KITTI数据集，以及评估工具EVO的下载和使用
weixin_49247766的博客
10-09 8460
ubuntu20.04中python版本是3.x，因此对应的pip工具会变成pip3，可以先参考如下链接查看自己系统的python和pip版本。再调用如下命令对evo工具进行安装。
VINS-Fusion学习笔记 (二)
m0_73399666的博客
05-03 415
对vins解析
VINS_FUSION编译运行
qqGHJ的博客
10-27 5459
VIN_FUSIO编译运行
vins-fusion在室外建图如何加回环检测
03-26
<think>好的，用户想了解如何在VINS-Fusion中添加回环检测用于室外建图。首先，我需要回忆一下VINS-Fusion的基本结构。VINS-Fusion是一个视觉惯性里程计系统，结合了视觉和IMU数据，但它本身可能没有内置的回环检测模块，特别是在室外大场景中，累积漂移是一个问题。根据用户提供的引用[^1]，回环检测可以消除部分漂移，但大范围场景依然有挑战。 接下来，用户提到的引用[^2]提到了DBoW2或NetVLAD进行视觉词袋匹配，以及位姿图优化的方法。这说明在VINS-Fusion中添加回环检测可能需要集成这些工具。需要确认VINS-Fusion是否支持这些库，或者需要自行添加。 然后，步骤方面，可能需要分为几个部分：首先集成回环检测模块，比如使用DBoW2进行场景识别；其次，当检测到回环时，计算相对位姿约束，并添加到位姿图中进行优化。引用中的公式给出了相对位姿约束的计算方法，这需要用到PnP算法来估计两个关键帧之间的位姿变换。 另外，室外建图的挑战可能包括动态物体、光照变化和更大的场景规模，所以可能需要调整特征提取和匹配的参数，比如使用更鲁棒的特征描述子，或者增加关键帧之间的间隔来减少计算量。 还要考虑如何将回环检测的结果与VINS-Fusion的现有系统结合，比如修改位姿图优化的部分，确保回环约束被正确添加。可能需要参考VINS-Mono或其他类似系统如何处理回环检测，或者查看用户提到的引用[^3]中提到的Ysfyuan的学习笔记，是否有相关实现经验。 最后，生成相关问题需要考虑用户可能遇到的后续问题，比如性能优化、不同回环检测方法的比较，或者如何处理室外环境中的动态物体等。</think>在VINS-Fusion中添加回环检测功能可有效减少大范围建图的累积漂移问题。以下是关键实现步骤： ### 一、回环检测模块集成 1. **视觉词袋模型选择** - 使用$DBoW2$或$NetVLAD$进行场景识别，其中$NetVLAD$对光照变化和视角差异更鲁棒[^2] - 示例代码集成： ```cpp #include <DBoW2/DBoW2.h> PlaceRecognition::initVocabulary("/path/to/vocabulary.bin") ``` 2. **关键帧选取策略** - 设置距离阈值（如移动超过$5m$或旋转超过$30^\circ$）触发关键帧存储 - 存储关键帧的全局描述子和特征点坐标 ### 二、回环约束计算 当检测到回环候选帧时： 1. **特征匹配验证** ```cpp GeometricVerification::verifyByRANSAC(curr_features, loop_features) ``` 2. **相对位姿计算** $$ \mathbf{r}_{\text{loop}} = \log\left( \mathbf{T}_{ij}^{-1} \mathbf{T}_{i} \mathbf{T}_{j}^{-1} \right) $$ 其中$\mathbf{T}_{ij}$通过PnP算法计算得到 ### 三、位姿图优化 1. 添加回环约束因子： ```cpp pose_graph.addConstraint(loop_id, curr_id, T_ij, information_matrix) ``` 2. 使用Ceres或g2o进行全局优化： $$ \mathop{\arg\min}\limits_{\mathbf{T}} \sum \rho\left( \left\| \mathbf{r}_{\text{imu}} \right\|^2 + \left\| \mathbf{r}_{\text{loop}} \right\|^2 \right) $$ ### 四、室外场景适配 1. **特征点参数调整**： - 使用$AKAZE$或$SURF$特征替代默认的$FAST$ - 增加特征提取数量至$1000$个/帧 2. **关键帧数据库管理** - 采用四叉树空间分区存储，减少检索复杂度 ### 五、性能优化建议 1. 使用$Geohash$进行空间快速检索 2. 设置回环检测频率阈值（如每$30$秒触发） 3. 增加运动一致性检查： $$ \frac{1}{n}\sum_{i=1}^{n}\| \mathbf{p}_i^{curr} - \mathbf{p}_i^{loop} \| < \delta $$
评论 2
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