CN113077515B - 一种水下视觉惯导压力定位的紧耦合初始化方法 - Google Patents
一种水下视觉惯导压力定位的紧耦合初始化方法 Download PDFInfo
- Publication number
- CN113077515B CN113077515B CN202110629765.1A CN202110629765A CN113077515B CN 113077515 B CN113077515 B CN 113077515B CN 202110629765 A CN202110629765 A CN 202110629765A CN 113077515 B CN113077515 B CN 113077515B
- Authority
- CN
- China
- Prior art keywords
- integration
- imu
- measurement
- images
- initialization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
Abstract
本发明属于机器人定位领域,尤其涉及一种水下视觉惯导压力定位的紧耦合初始化方法,通过传统单目SLAM的方法获得欠尺度的机器人位姿和地图特征点,将相邻图像之间的IMU数据进行预积分建立图像之间的预积分残差,将相邻图像与压力测量之间的IMU数据进行预积分建立图像与压力测量之间的预积分残差,通过非线性优化的方法求解系统的初始化参数,利用初始化参数更新地图,将更新后的系统进行光束平差优化,完成初始化过程,获得更精确的结果,以此推动系统的运行。本发明利用高频的IMU信息耦合不同时间步下的图像信息和压力信息,加强了各初始化参数之间的耦合度,提高了初始化算法的求解精度。
Description
技术领域
本发明属于机器人定位领域,尤其涉及一种水下视觉惯导压力定位的紧耦合初始化方法。
背景技术
在水下机器人定位中,基于图优化的多传感器融合定位是常用的方法,此类方法往往需要进行合适的初始化来推动系统的正常运行。对于视觉惯导压力三者融合来说,需要确定系统初始尺度、IMU偏置和初始姿态等参数。由于摄像头、IMU和压力传感器时间戳往往不同步,并且摄像头和压力传感器的频率较低,常用的方法为对两帧图像之间的IMU进行预积分建立预积分残差因子,并将压力传感器信息关联到邻近的图像帧上,以此建立因子图进行优化求解。显然,由于时间戳的不同步,与图像信息关联的压力测量并非是该时刻最准确的测量值,因此该方法求解的是次优解,导致最后求解的初始化参数会带来较大误差,而初始化参数的误差很大程度上会影响后续的机器人定位精度。对于需要依赖机器人定位进行后续高精度导航的机器人应用,该种误差是不被允许的。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提出了一种水下视觉惯导压力定位的紧耦合初始化方法,通过对连续图像之间的IMU信息进行预积分,对图像和相邻压力测量之间的IMU信息进行预积分,并结合重映射误差建立因子图进行优化求解。利用高频的IMU信息耦合不同时间步下的图像信息和压力信息,加强了各初始化参数之间的耦合度,提高了初始化算法的求解精度,其具体技术方案如下:
一种水下视觉惯导压力定位的紧耦合初始化方法,包括如下步骤:
步骤(1)采用基于直接法或特征点法的slam方法求解欠尺度下的单目轨迹,选择数秒内的关键帧进行求解,保存关键帧的位姿和相关地图点信息,并判断当前地图中关键帧数量;
步骤(2)对相邻两帧关键帧之间的IMU信息进行预积分获得两帧关键帧图像之间的预积分伪测量,对关键帧与压力测量之间的IMU信息进行预积分获得图像与压力之间的预积分伪测量;
步骤(3)将所述图像之间的预积分伪测量和关键帧与压力测量之间的预积分伪测量统一到因子图中,建立残差方差,通过非线性优化求解初始化参数;
步骤(4)通过所述初始化参数更新地图:将初始参数代入系统中,更新系统的位姿轨迹,使其具有真实的尺度并将位姿表示在世界坐标系下;
步骤(5)将更新后的系统进行光束平差优化,完成初始化过程。
进一步的,所述步骤(1),具体包括如下步骤:
(1.1)对当前每一帧的图像与之前的图像进行特征匹配,求解当前帧图像位姿,并对匹配到的特征点进行三角化,保存为地图点;
(1.2)对求解完位姿的图像与前一帧关键帧进行视差比较,若视差超过设的定阈值或当前帧追踪的特征点少于设定数量,则将当前帧决定为关键帧进行保存;
(1.3)判断当前地图中关键帧数量,若关键帧数量超过一定数量则进行视觉压力惯导的联合初始化,时间控制在数秒内。
进一步的,所述步骤(2),具体包括如下步骤:
(2.1)提取相邻两帧关键帧图像之间的所有IMU信息进行预积分计算,其中IMU信息包括加速度信息和陀螺仪信息,将预积分初始姿态增量设为单位矩阵,将预积分初始速度增量、位置增量设为零向量,将测量协方差矩阵设为零矩阵,根据连续高频的IMU数据和IMU运动学模型对速度姿态增量、速度增量、位置增量和协方差矩阵进行更新,最后形成预积分伪测量;
(2.2)对相邻关键帧图像与压力测量之间的IMU信息进行预积分计算,该计算直接采用所述相邻两帧关键帧图像之间的所有IMU信息进行预积分计算的过程量。
进一步的,所述步骤(3),具体包括:
保存所有图像之间的IMU信息预积分量和图像与压力测量之间的IMU信息预积分量,作为伪测量加入到后续的因子图中,同时将预积分中协方差作为该伪测量的不确定度,将图像的重映射误差、图像帧之间的IMU预积分误差以及图像与压力测量之间的IMU预积分误差建立统一的因子图,根据因子图建立非线性误差方程,通过两类IMU预积分伪测量与通过初始化参数预测得到的值进行做差得到残差方程,最后利用非线性优化的方法迭代求解,得到初始化参数值。
进一步的,所述初始化参数,包括系统尺度、加速度偏置、陀螺仪偏置以及重力方向,通过尺度参数对地图进行缩放,主要为将摄像头轨迹与地图点坐标乘以尺度,将获得的摄像头轨迹和地图点缩放到真实世界尺度下;通过重力方向矫正摄像头轨迹与地图点方向,使得与重力方向一致;通过加速度偏置和陀螺仪偏置对所述的两类IMU预积分进行重积分。
进一步的,所述步骤(5),具体为:以更新后的位姿轨迹作为初值,重新建立残差方程进行光束平差求解,完成初始化过程。
本发明的有益效果:
本发明通过利用高频的IMU测量对相邻的图像与压力测量进行预积分,最大化利用了传感器信息,并且避免了传统方法中当图像与压力测量时间戳相差较大时丢失压力测量的问题;
通过对图像重映射误差、图像之间的预积分误差、图像与压力测量之间的预积分误差建立统一的因子图与残差方程,符合最大后验概率分布,求得理论上的最优解,提高了系统精度;
利用求解后的参数更新地图和机器人位姿,并将更新后的值作为初值进行光束平差求解,最大化求解精度。
附图说明
图1为本发明方法的总流程示意图;
图2为本发明方法初始化过程中的时间示意图;
图3为本发明方法初始化过程中的系统因子图;
图4为本发明方法光束平差求解提高系统精度的因子图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白,以下结合说明书附图和实施例,对本发明作进一步详细说明。
如图1所示,本发明一种水下视觉惯导压力定位的紧耦合初始化方法,包括以下步骤:
步骤(1)采用基于直接法或特征点法的slam方法求解欠尺度下的单目轨迹,选择数秒内的关键帧进行求解,保存关键帧的位姿和相关地图点信息,并判断当前地图中关键帧数量,具体包括以下步骤:
(1.1)对每一帧进来的图像与之前的图像进行特征匹配,求解当前帧图像位姿,并对匹配到的特征点进行三角化,保存为地图点;
(1.2)对求解完位姿的图像与前一帧关键帧进行视差比较,若视差超过一定阈值或当前帧追踪的特征点少于一定数量,则将当前帧决定为关键帧进行保存;
(1.3)判断当前地图中关键帧数量,若关键帧数量超过一定数量则进行视觉压力惯导的联合初始化,时间控制在数秒内。
步骤(2)对步骤(1)中获得的相邻两帧关键帧之间的IMU信息进行预积分获得两帧图像之间的预积分伪测量,对关键帧与压力测量之间的IMU信息进行预积分获得图像与压力之间的预积分伪测量,具体为:
(2.1)如图2所示,提取相邻两帧关键帧图像之间的所有IMU信息进行预积分计算,其中IMU信息包括加速度信息和陀螺仪信息,将预积分初始姿态增量设为单位矩阵,将预积分初始速度增量、位置增量设为零向量,将测量协方差矩阵设为零矩阵,根据连续高频的IMU数据和IMU运动学模型对速度姿态增量、速度增量、位置增量和协方差矩阵进行更新,最后形成预积分伪测量,如图2中两个关键帧之间的黑色三角形所示。
(2.2)对相邻关键帧图像与压力测量之间的IMU信息进行预积分计算,具体的说为将压力测量与其之前的关键帧进行预积分计算,由于压力测量一般在两帧关键帧之间,所以该预积分可直接获得通过步骤(2.1)中的过程量,避免了重复计算,加快了计算速度,同时避免了因直接将压力测量关联到邻近的关键帧而导致的信息损失与误差,提高了初始化求解精度。所述关键帧与压力测量之间的预积分伪测量如图2中关键帧与压力测量之间的黑色三角形所示。
步骤(3)将步骤(1)和步骤(2)中的预积分伪测量统一到因子图中,建立残差方差,通过非线性优化求解初始化参数;具体为:
保存所有图像之间的IMU信息预积分量和图像与压力测量之间的IMU信息预积分量,作为伪测量加入到后续的因子图中,同时将预积分中协方差作为该伪测量的不确定度;通过高频的IMU的预积分,避免了因图像与压力测量之间时间戳不同步带来的信息损失问题,提高了最后求解的精度;
将图像的重映射误差、图像帧之间的IMU预积分误差以及图像与压力测量之间的IMU预积分误差建立统一的因子图,根据因子图建立非线性误差方程,通过这两类IMU预积分伪测量与通过初始化参数预测得到的值进行做差得到残差方程,最后利用非线性优化的方法迭代求解,求得较为精确的初始化参数值。
如图3所示,其中圆形表示关键帧位姿,假设通过视觉slam获得的关键帧足够精确,故这些位姿在优化过程中保持不变;椭圆形表示需要优化的变量,即初始化参数,包括系统尺度scale、加速度偏置ba、陀螺仪偏置bg以及重力方向Rwg;通过两个关键帧位姿和初始化参数连接的方形表示相邻关键帧之间的IMU预积分伪测量因子;通过单个关键帧位姿和初始化参数连接的方形表示关键帧和压力测量之间的IMU预积分伪测量因子。
步骤(4)通过步骤(3)得到的初始化参数值更新地图,具体为:
将上述求解的尺度、IMU偏置和初始姿态等初始参数代入系统中,更新系统的位姿轨迹,使其具有真实的尺度并将位姿表示在世界坐标系下。
通过尺度参数对地图进行缩放,主要为将摄像头轨迹与地图点坐标乘以尺度,将获得的摄像头轨迹和地图点缩放到真实世界尺度下;通过重力方向矫正摄像头轨迹与地图点方向,使得与重力方向一致;通过加速度偏置和陀螺仪偏置对步骤(3)中的两类预积分进行重积分,使得预积分结果更加准确。
步骤(5)将更新后的系统进行光束平差优化,完成初始化过程,获得更精确的结果,以此推动系统的运行,具体为:
以更新后的位姿轨迹作为初值,重新建立残差方程进行光束平差(bundleadjustment)求解,提高初始化的精度,完成初始化过程。
如图4所示,圆形表示关键帧位姿,长方形表示路标点,关键帧与路标点之间的方形表示图像的重映射测量,关键帧之间相连的方形为相邻关键帧之间的IMU预积分伪测量,单个关键帧相连的方形为关键帧与压力测量之间的IMU预积分伪测量,通过将这些测量整合成统一的残差方程,利用非线性优化迭代求解,可求得最优的系统状态。
以上所述,仅为本发明的优选实施案例,并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明,对于熟悉本领域的人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种水下视觉惯导压力定位的紧耦合初始化方法,其特征在于,包括如下步骤:
步骤(1)采用基于直接法或特征点法的slam方法求解欠尺度下的单目轨迹,选择数秒内的关键帧进行求解,保存关键帧的位姿和相关地图点信息,并判断当前地图中关键帧数量;
步骤(2)对相邻两帧关键帧之间的IMU信息进行预积分获得两帧关键帧图像之间的预积分伪测量,对关键帧与压力测量之间的IMU信息进行预积分获得图像与压力之间的预积分伪测量;
步骤(3)将所述图像之间的预积分伪测量和关键帧与压力测量之间的预积分伪测量统一到因子图中,建立残差方差,通过非线性优化求解初始化参数;
步骤(4)通过所述初始化参数更新地图:将初始参数代入系统中,更新系统的位姿轨迹,使其具有真实的尺度并将位姿表示在世界坐标系下;
步骤(5)将更新后的系统进行光束平差优化,完成初始化过程。
2.如权利要求1所述的一种水下视觉惯导压力定位的紧耦合初始化方法,其特征在于,所述步骤(1),具体包括如下步骤:
(1.1)对当前每一帧的图像与之前的图像进行特征匹配,求解当前帧图像位姿,并对匹配到的特征点进行三角化,保存为地图点;
(1.2)对求解完位姿的图像与前一帧关键帧进行视差比较,若视差超过设定的阈值或当前帧追踪的特征点少于设定数量,则将当前帧决定为关键帧进行保存;
(1.3)判断当前地图中关键帧数量,若关键帧数量超过一定数量则进行视觉压力惯导的联合初始化,时间控制在数秒内。
3.如权利要求1所述的一种水下视觉惯导压力定位的紧耦合初始化方法,其特征在于,所述步骤(2),具体包括如下步骤:
(2.1)提取相邻两帧关键帧图像之间的所有IMU信息进行预积分计算,其中IMU信息包括加速度信息和陀螺仪信息,将预积分初始姿态增量设为单位矩阵,将预积分初始速度增量、位置增量设为零向量,将测量协方差矩阵设为零矩阵,根据连续高频的IMU数据和IMU运动学模型对速度姿态增量、速度增量、位置增量和协方差矩阵进行更新,最后形成预积分伪测量;
(2.2)对相邻关键帧图像与压力测量之间的IMU信息进行预积分计算,该计算直接采用所述相邻两帧关键帧图像之间的所有IMU信息进行预积分计算的过程量。
4.如权利要求3所述的一种水下视觉惯导压力定位的紧耦合初始化方法,其特征在于,所述步骤(3),具体包括:
保存所有图像之间的IMU信息预积分量和图像与压力测量之间的IMU信息预积分量,作为伪测量加入到后续的因子图中,同时将预积分中协方差作为该伪测量的不确定度,将图像的重映射误差、图像帧之间的IMU预积分误差以及图像与压力测量之间的IMU预积分误差建立统一的因子图,根据因子图建立非线性误差方程,通过两类IMU预积分伪测量与通过初始化参数预测得到的值进行做差得到残差方程,最后利用非线性优化的方法迭代求解,得到初始化参数值。
5.如权利要求4所述的一种水下视觉惯导压力定位的紧耦合初始化方法,其特征在于,所述初始化参数,包括系统尺度、加速度偏置、陀螺仪偏置以及重力方向,通过尺度参数对地图进行缩放,主要为将摄像头轨迹与地图点坐标乘以尺度,将获得的摄像头轨迹和地图点缩放到真实世界尺度下;通过重力方向矫正摄像头轨迹与地图点方向,使得与重力方向一致;通过加速度偏置和陀螺仪偏置对所述的两类IMU预积分进行重积分。
6.如权利要求1所述的一种水下视觉惯导压力定位的紧耦合初始化方法,其特征在于,所述步骤(5),具体为:以更新后的位姿轨迹作为初值,重新建立残差方程进行光束平差求解,完成初始化过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110629765.1A CN113077515B (zh) | 2021-06-07 | 2021-06-07 | 一种水下视觉惯导压力定位的紧耦合初始化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110629765.1A CN113077515B (zh) | 2021-06-07 | 2021-06-07 | 一种水下视觉惯导压力定位的紧耦合初始化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077515A CN113077515A (zh) | 2021-07-06 |
CN113077515B true CN113077515B (zh) | 2021-09-21 |
Family
ID=76617094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110629765.1A Active CN113077515B (zh) | 2021-06-07 | 2021-06-07 | 一种水下视觉惯导压力定位的紧耦合初始化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077515B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116026316B (zh) * | 2023-03-30 | 2023-08-29 | 山东科技大学 | 一种耦合视觉惯性里程计与gnss的无人船航迹推算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107193279A (zh) * | 2017-05-09 | 2017-09-22 | 复旦大学 | 基于单目视觉和imu信息的机器人定位与地图构建系统 |
CN107869989A (zh) * | 2017-11-06 | 2018-04-03 | 东北大学 | 一种基于视觉惯导信息融合的定位方法及系统 |
CN110345944A (zh) * | 2019-05-27 | 2019-10-18 | 浙江工业大学 | 融合视觉特征和imu信息的机器人定位方法 |
CN111578937A (zh) * | 2020-05-29 | 2020-08-25 | 天津工业大学 | 同时优化外参数的视觉惯性里程计系统 |
CN111795686A (zh) * | 2020-06-08 | 2020-10-20 | 南京大学 | 一种移动机器人定位与建图的方法 |
CN112611376A (zh) * | 2020-11-30 | 2021-04-06 | 武汉工程大学 | 一种RGI-Lidar/SINS紧耦合AUV水下导航定位方法与系统 |
-
2021
- 2021-06-07 CN CN202110629765.1A patent/CN113077515B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107193279A (zh) * | 2017-05-09 | 2017-09-22 | 复旦大学 | 基于单目视觉和imu信息的机器人定位与地图构建系统 |
CN107869989A (zh) * | 2017-11-06 | 2018-04-03 | 东北大学 | 一种基于视觉惯导信息融合的定位方法及系统 |
CN110345944A (zh) * | 2019-05-27 | 2019-10-18 | 浙江工业大学 | 融合视觉特征和imu信息的机器人定位方法 |
CN111578937A (zh) * | 2020-05-29 | 2020-08-25 | 天津工业大学 | 同时优化外参数的视觉惯性里程计系统 |
CN111795686A (zh) * | 2020-06-08 | 2020-10-20 | 南京大学 | 一种移动机器人定位与建图的方法 |
CN112611376A (zh) * | 2020-11-30 | 2021-04-06 | 武汉工程大学 | 一种RGI-Lidar/SINS紧耦合AUV水下导航定位方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113077515A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029433B (zh) | 一种移动平台上基于视觉和惯导融合slam的标定外参和时序的方法 | |
CN111258313B (zh) | 多传感器融合slam系统及机器人 | |
CN109307508B (zh) | 一种基于多关键帧的全景惯导slam方法 | |
CN110044354A (zh) | 一种双目视觉室内定位与建图方法及装置 | |
CN111795686B (zh) | 一种移动机器人定位与建图的方法 | |
CN110726406A (zh) | 一种改进的非线性优化单目惯导slam的方法 | |
CN111983639A (zh) | 一种基于Multi-Camera/Lidar/IMU的多传感器SLAM方法 | |
CN108682027A (zh) | 基于点、线特征融合的vSLAM实现方法及系统 | |
CN114623817B (zh) | 基于关键帧滑窗滤波的含自标定的视觉惯性里程计方法 | |
CN111932674A (zh) | 一种线激光视觉惯性系统的优化方法 | |
CN110533719B (zh) | 基于环境视觉特征点识别技术的增强现实定位方法及装置 | |
CN111609868A (zh) | 一种基于改进光流法的视觉惯性里程计方法 | |
CN111998862A (zh) | 一种基于bnn的稠密双目slam方法 | |
CN113436261B (zh) | 一种面向封闭园区自动驾驶的单目视觉惯性定位方法 | |
CN114001733A (zh) | 一种基于地图的一致性高效视觉惯性定位算法 | |
CN114485640A (zh) | 基于点线特征的单目视觉惯性同步定位与建图方法及系统 | |
Huai et al. | Real-time large scale 3D reconstruction by fusing Kinect and IMU data | |
CN117367427A (zh) | 一种适用于室内环境中的视觉辅助激光融合IMU的多模态slam方法 | |
CN113077515B (zh) | 一种水下视觉惯导压力定位的紧耦合初始化方法 | |
Xian et al. | Fusing stereo camera and low-cost inertial measurement unit for autonomous navigation in a tightly-coupled approach | |
CN112731503B (zh) | 一种基于前端紧耦合的位姿估计方法及系统 | |
CN112991400A (zh) | 一种无人艇的多传感器辅助定位方法 | |
CN116804553A (zh) | 基于事件相机/imu/自然路标的里程计系统及方法 | |
CN113720323B (zh) | 基于点线特征融合的单目视觉惯导slam方法及装置 | |
CN114913242A (zh) | 相机标定方法、装置、系统、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |