其原理可以简单描述为:利用视觉摄像头获取环境图像,利用惯性测量单元(IMU)获取设备运动信息,然后将两者进行融合,实现对设备位置和姿态的估计和跟踪。 具体来说,vinsfusion算法以IMU为基础,通过预测算法来估算运动状态,而视觉则用于“互补滤波”,将IMU的漂移等误差补偿掉,以达到更高的精度。在此基础上,vinsfusion算法还...
VINS-Fusion(一):特征点的提取和跟踪 github.com/ShuyueLin/VI 一、相关原理解析 1、角点 将会介绍FAST角点,Harris角点以及Shi-Tomasi角点的相应原理(毕竟这是笔记,不仅仅会记录VINS涉及的,还会记录常见的知识点)。需要注意得是:在VINS中提取得是Shi-Tomasi角点。 关于角点的几种描述: a、某局部区域像素一阶导数...
VINS-FUSION是在VINS-Mono的基础上,添加了GPS等可以获取全局观测信息的传感器,使得VINS-FUSION可以利用全局信息消除累计误差,进而减小闭环依赖。如果你不关心GPS等全局传感器,只关心IMU、摄像头传感器的处理,那么VINS-FUSION代码和VINS-Mono几乎一样,本博客也只介绍VINS-FUSION的前端和后端处理。 我们先看一下VINS-FUSION...
前端主要处理传感器获取的数据,并将其转化为相对位姿或其他机器人可以理解的形式;后端则主要处理最优后验估计的问题,即位姿、地图等的最优估计。 机器人所拥有的传感器主要有:深度传感器(超声波、激光雷达、立体视觉等),视觉传感器(摄像头、信标),惯性传感器(陀螺仪、编码器、电子罗盘)以及绝对坐标(WUB,GPS)等。 ...
VINS-Fusion边缘化策略 为了减少非线性优化中待优化变量的个数,VINS采用了滑动窗口的方法,即只有滑动窗口内的位姿状态量和特征点才会在非线性优化中作为待优化状态量进行优化。如下图所示,滑动窗口内包含的帧数为11帧: 假设窗口向前移动,窗口内最老的帧“帧0”将被移除,如果直接丢掉“帧0”对应的状态量和约束,这样...
对比于VINS Mono,主要增加了global_fusion包,用来融合GPS以及视觉IMU定位的结果。代码结构,之前的pose_graph节点更名为loop_fusion,之前的feature_track节点融合进vins_estimator内部。vins_estimator中的factor残差项增加了很多,主要是视觉的残差项增加。 优势:可以静止进行初始化;尺度信息不一定完全依靠IMU(有双目),不会...
结合VINS-Fusion源码,系统地对视觉-惯性SLAM的基础理论知识进行梳理。从基础理论到代码剖析,保姆级教学,助力学员一步步从小白成长为大牛。 ¥ 399 ¥699 已更新 11 期 立即购买 手机观看 扫描二维码查看内容 背景介绍 自动驾驶和服务机器人行业增速明显,自2021年以来,多家公司开始逐步落地自己的L2~L4级别的辅助/...
开源项目如VINS-Mono、VINS-Fusion和OKVIS为研究者和开发者提供了完整的视觉惯性导航解决方案。随着自动驾驶、无人机等技术的不断发展,VINS的应用前景将更加广阔。未来,VINS的发展趋势将包括多传感器融合、人工智能和机器学习算法的应用以及基于云的服务等。多传感器融合将进一步提高VINS的精度和可靠性;...
VINS-Mono在室内、室外大尺度以及高速飞行的无人机场景中均表现出色。在手机AR应用中，该算法优于当前最先进的Google Tango效果。同时，VINS-Mono也是VINS-Fusion算法的基础，应用于汽车SLAM时同样展现出高精度和稳定性。在自动驾驶、无人机、增强现实、机器人导航等领域的岗位中，掌握VINS-Mono算法成为了...