VINS Fusion的融合因子图优化方案是构建t_array和q_array,用来存入融合后位姿的平移和旋转变量,方便输入优化方程,以及在优化后取出。 利用RelativeRTError::Create()构建VIO两帧之间的约束,输入优化方程 利用TError::Create()构建GPS构成的全局约束,输入优化方程 取出优化后的数据 上述代码中出现了一个关键的部分,即WG...
VINS Fusion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可以利用全局信息消除累计误差,进而减小闭环依赖。此外,全局信息可以使分多次运行的VINS Mono统一到一个坐标系,从而方便协同建图和定位。 Fusion的思路 局部传感器(如相机,IMU,激光雷达等)被广泛应用于建图和定位算法。尽管这些传感器能...
我们使用多传感器在公开数据集和真实世界实验中验证了本文系统的性能。数值结果表明,本文框架能够使用不同的配置来融合传感器数据。 在未来工作中,我们将使用全局传感器(例如GPS)来扩展我们的框架,以实现局部精确和全局位姿估计。 发布于 2023-05-09 11:02・IP 属地上海...
main函数与之前的main函数相似,都要进行ros节点初始化,然后读取参数,区别在于该数据集的图像和gps数据均为文件读取方式,将gps数据封装进ros 的sensor_msgs::NavSatFix 数据类型里,以gps为topic播发出去,而双目图像则直接放到estimator进行vio,将vio得到的结果再播发出去,方便后面的订阅和与GPS的融合。 global_fusion ...
4.2 KITTI GPS Fusion (Stereo + GPS) DownloadKITTI raw datasetto YOUR_DATASET_FOLDER. Take2011_10_03_drive_0027_syncedfor example. Open three terminals, run vins, global fusion and rviz respectively. Green path is VIO odometry; blue path is odometry under GPS global fusion. ...
GitHub链接:https://github.com/HKUST-Aerial-Robotics/VINS-Fusion 摘要 精确状态估计是自主机器人的基础问题。为了实现局部精确且全局无漂移的状态估计,通常将具有互补性质的多传感器融合到一起。局部传感器(相机、IMU、激光雷达等)在小区域内提供了精确的位姿,而全局传感器(GPS、磁力计、气压计等)在大尺度环境中提供...
VINS_Fusion是继VINS_Mono和VINS_Moblie后,港科大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,可实现自主应用的精确定位。是VINS-Mono的扩展,支持多种视觉惯性传感器类型。开源项目组还展示了将VINS于GPS融合的模组示例。 特征如下: ...
(4)双目+imu+GPS 和vins mono相比: 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。
VINS强在一个对外参依耐性没那么强,毕竟自己可以估计,导致就算初始化有点点问题,也可以很快稳定下来。而稳定性更是不用说,在视觉失效个5秒左右,系统都能比较正常的跑下来。还可以融合GPS输出个对齐结果,对于需要的项目也是一个加分项。缺点的话,大概就是缺少了地图一部分吧,自身是比较强的。
VINS-Fusion是香港科技大学于2019年开源的视觉-惯性SLAM系统,KITTI Visual Odometry 榜单中排名最靠前的开源双目 VO 方案,主要支持:单目+IMU、纯双目、双目+IMU、双目+IMU+GPS,是一个可以用于室外场景中无人车辆/机器人自主定位的优秀方案,以下是官方测试效果展示: 几种方案效果对比 KITTI测试场景 如何学习? 视觉-...