stanfan的博客

这篇文章来自ICRA2018，并且代码开源 Abstract 我们提出的系统能够在建好的图中重定位并获得绝对位姿。4自由度的位姿图优化用来矫正漂移，获得全局一致。以一种高效的保存和加载方式复用地图。 Introduction VIO存在的问题： 1、visual-inertial odometry approaches(VIO) 的方法仅仅关注局部的精确性。只处理局部区域或者一小段时间内的测量却...

IV. Algorithm A. Visual-inertial Odometry 在局部BA中优化的量有： 几个关键帧的位姿，速度，IMU的偏差，特征点的深度。 仅一些关键帧暂时被放在局部窗口中。之前的关键帧都被丢弃在窗之外，为了能够约束计算的复杂度。 按照文章所说，那么这幅图就代表了一个滑动窗的内容，其中 x0 ,x1 ,x2 ,x3 ,x4 是指关键帧的位置。f0,f1代表关键帧的特征点...

V. Experiment Results 设计的系统分别在一些公开数据集和外部环境进行了验证。在公开数据集上与2017年发表在IROS上的一片文章“Keyframe-Based Visual-Inertial Oline SLAM with Relocalization”https://arxiv.org/pdf/1702.02175.pdf这篇文章进行了性能的比较。外部环境的实验主要是为了说明...

文章梳理：https://blog.youkuaiyun.com/stanfan/article/details/100582457 算法分析：https://blog.youkuaiyun.com/stanfan/article/details/100582878 实验评估：https://blog.youkuaiyun.com/stanfan/article/details/100663262 ...

题目标注：动态场景SLAM：在动态场景中的追踪，建图和修复 Abstract 系统设计以ORB-SLAM2为基础，添加了动态物体检测和背景修复的功能。 系统能够通过多视几何，深度学习或者两者结合的方式进行移动物体的检测。获得场景的静态图可以修复被动态物体遮挡的背景。 Introduction 目前SLAM研究的主体 大多数的SLAM研究是在假定一个静态环境下进行研究的。因此，他们只能通过将动态内...