【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
Gession-杰1 小时前
OpenCV图像梯度、边缘检测、轮廓绘制、凸包检测大合集
人工智能·opencv·计算机视觉
计算机sci论文精选1 小时前
CVPR 2024 3D传感框架实现无监督场景理解新纪元
人工智能·机器学习·计算机视觉·3d·cvpr·传感技术
钟屿2 小时前
Multiscale Structure Guided Diffusion for Image Deblurring 论文阅读
论文阅读·图像处理·人工智能·深度学习·计算机视觉
Coovally AI模型快速验证3 小时前
避开算力坑!无人机桥梁检测场景下YOLO模型选型指南
人工智能·深度学习·yolo·计算机视觉·目标跟踪·无人机
水军总督3 小时前
OpenCV+Python
python·opencv·计算机视觉
欧阳小猜4 小时前
OpenCV-图像预处理➁【图像插值方法、边缘填充策略、图像矫正、掩膜应用、水印添加,图像的噪点消除】
人工智能·opencv·计算机视觉
旭日东升的xu.4 小时前
OpenCV(04)梯度处理,边缘检测,绘制轮廓,凸包特征检测,轮廓特征查找
人工智能·opencv·计算机视觉
Monkey PilotX5 小时前
VLA:自动驾驶的“新大脑”?
人工智能·机器学习·计算机视觉·自动驾驶
宇钶宇夕6 小时前
图像处理第一篇:入门篇 ——CCD 与图像处理的基础知识
人工智能·计算机视觉
jarreyer7 小时前
【图像分割】记录1:unet, yolov8_seg
人工智能·笔记·计算机视觉