视觉和imu融合的算法研究
2024-04-05 07:48:08
融合方式概述
同SLAM发展过程类似，视觉融合IMU问题也可以分成基于滤波和基于优化两大类。
同时按照是否把图像特征信息加入状态向量来进行分类，可以分为松耦合和紧耦合两大类。
一.基于滤波的融合算法
1.1 松耦合
松耦合将视觉传感器和 IMU 作为两个单独的模块，两个模块均可以计算得到位姿信息，然后一般通过 EKF 进行融合。
可参考的算法有ethz的Stephen Weiss的ssf和msf
1.2 紧耦合
紧耦合则是指将视觉和 IMU 得到的中间数据通过一个优化滤波器进行处理，紧耦合需要把图像特征加入到特征向量中，最终得到位姿信息的过程。由于这个原因，系统状态向量最终的维度也会非常高，同时计算量也很大。
可参考的算法有MSCKF，ROVIO
二.基于优化的融合算法
2.1 松耦合
基于松耦合优化的工作不多，这里只给出一篇文章作为参考：
Inertial Aided Dense & Semi-Dense Methods for Robust Direct Visual Odometry
2.2 紧耦合 https://blog.csdn.net/qq_18661939/article/details/53574981
提到基于优化的紧耦合，就不得不提okvis了，主体思想是建立一个统一的损失函数同时优化视觉与IMU的位姿，用到了sliding window的思想。（这方面博主也需要再深入研究一下）
可参考 OKVIS, 以及港科大刚刚开源的 VINS-Mono
code
（1）imu和单目的紧耦合滤波方法
https://github.com/ethz-asl/rovio
（2）imu和单目的紧耦合非线性优化方法
- https://github.com/ethz-asl/okvis
https://github.com/ethz-asl/okvis_ros
- https://github.com/HKUST-Aerial-Robotics/VINS-Mono
- orbslam+imu
- 官网： http://webdiis.unizar.es/~raulmur/orbslam/ ----ORB_SLAM与ORB_SLAM2的区别
- 解决初始化很慢的问题 ORB_SLAM2
- orbslam2代码解析
最新文章
- 开发错误记录8：Unable to instantiate application com
- Ubuntu软件中心打不开，Encountered a section with no Package: header错误之解决
- 学习IT资源分享，欢迎各位知道的学习IT资源前来分享
- jmeter 构建一个FTP测试计划
- RAD XE10 Seattle
- android114 c转换成c++
- C#无限级分类递归显示示例
- cs231n spring 2017 lecture5 Convolutional Neural Networks听课笔记
- android 常用方法集合
- day04 流程控制
- node.js 之 N-blog
- 项目小程序笔记-登录界面+FPGA管脚分配文件生成
- ios12怎么投屏电脑 苹果手机怎么投
- flutter图片铺满父框
- 从URL输入到页面展现到底发生什么
- Webx示例-PetStore分析1
- LuoguP5017 摆渡车 $dp$
- RunningCassandraInEclipse（转载）
- JS变量比较陷阱
- 分布式消息队列RocketMQ&Kafka -- 消息的“顺序消费”