【IMU:视觉惯性SLAM系统】

视觉惯性SLAM系统简介

相机(单目/双目/RGBD)与IMU结合起来就是视觉惯性,通常以单目/双目+IMU为主。

IMU里面有个小芯片可以测量角速度与加速度,可分为6轴(6个自由度)和9轴(9个自由度)IMU,具体的关于IMU的介绍可看上一篇。

视觉惯性SLAM应用

相机和IMU耦合的优势

  • 在慢速和快速运动的输出上两者具有互补性

  • 相机输出的是图像。相机在低速运动下能够稳定成像。而当相机高速运动时,不仅容易造成成像模糊,而且短时间内图像差异也较大。

  • 而IMU输出的是加速度和角速度,在快速运动时才输出可靠的测量,缓慢运动时测量结果反而不可靠。

  • 在使用场景上两者具有互补性

    • 对于相机来说成像是非常重要的:图像的特征提取和匹配和场景的纹理丰富程度、光照条件强相关,在遇到白墙、玻璃等弱纹理环境以及暗光条件下很难提取到可靠特征点
    • 而IMU在这个场景没有此类问题。IMU不受视觉场景环境的能响,在该场景下IMU输出不受影响。IMU本身是个芯片,对场景没有视觉输出。
  • 在确定绝对尺度方面两者具有互补性

    • 单目相机具有尺度不确定性。对于单目相机来说,无法获得绝对的尺度。如下图无法确定奥特曼和房子的真实尺度,可能同时都是模型,也可能奥特曼是人扮演的而房子是模型等。
    • 而通过单目和IMU的数据融合,可以得到绝对的尺度。
      • IMU中的加速度积分是速度,速度积分是位移。可以积分出来尺度(在多少时间内跑了多少),然后将IMU得到的尺度与视觉得到的尺度进行融合以得到绝对尺度。
  • 在感知自身运动和环境变化方面两者具有互补性

    • 通过给定相机画面,很难判断出是相机在动,还是相机画面中的景色在动。

    • IMU则不同,如果车没有开,IMU就是静止的,理论上是没有输出的。

    • 在抑制漂移方面两者具有互补性

      常用的IMU误差很大,积分一段时间会产生很大的漂移。但图像的输出是稳定的(现在拍和隔一段时间拍基本是一样的),可以认为没有飘逸。

视觉惯性SLAM系统对比

  • 优秀开源方案:VINS-Fusion(单双目+IMU)、OKVIS(单双日+IMU) 、ORB SLAM3(单双目+IMU/RGB-D)
  • 开源方案对比
    • 目前主流的视觉和视觉惯性SLAM、VO系统对比

    • 在数据集上各VIO算法量化效果对比

      ORB-SLAM3是最佳的

    • ORB-SLAM3算法流程图

相关推荐
CoovallyAIHub3 小时前
RTMPose:重新定义多人姿态估计的“实时”标准!
深度学习·算法·计算机视觉
昵称是6硬币11 小时前
YOLOv11: AN OVERVIEW OF THE KEY ARCHITECTURAL ENHANCEMENTS目标检测论文精读(逐段解析)
图像处理·人工智能·深度学习·yolo·目标检测·计算机视觉
云天徽上9 天前
【目标检测】图像处理基础:像素、分辨率与图像格式解析
图像处理·人工智能·目标检测·计算机视觉·数据可视化
LabVIEW开发10 天前
LabVIEW液位上升图像识别 附件有源码
计算机视觉·labview知识
Echo``10 天前
12.OpenCV—基础入门
开发语言·c++·人工智能·qt·opencv·计算机视觉
jndingxin10 天前
OpenCV CUDA模块设备层-----线程块内初始化连续内存区域 的设备端工具函数blockYota()
人工智能·opencv·计算机视觉
AI technophile10 天前
OpenCV计算机视觉实战(12)——图像金字塔与特征缩放
人工智能·opencv·计算机视觉
justtoomuchforyou10 天前
PillarNet: Real-Time and High-PerformancePillar-based 3D Object Detection
人工智能·目标检测·计算机视觉·智驾
拾忆-eleven10 天前
UNet改进(5):线性注意力机制(Linear Attention)-原理详解与代码实现
人工智能·计算机视觉
马里马里奥-10 天前
深度学习和计算机视觉的关系的理解
人工智能·深度学习·计算机视觉