vio

大江东去浪淘尽千古风流人物

【VGGT-Ω】前馈式3D重建的规模化之路：Register Attention、自监督训练与10B参数Scaling Law深度解析现有前馈式3D重建模型（如VGGT、DUSt3R、MASt3R）虽然摆脱了后优化流程，但模型规模和数据规模对重建精度的影响尚未被系统探索。VGGT-Ω 在架构、数据和训练三个维度同时做了规模化改进：引入 Register Attention 替代部分全局注意力以降低计算开销，用单一 Dense Head + Pixel Shuffle 替代多头 DPT 以节省显存，并构建了覆盖4M序列（含动态场景）的高质量标注流水线。最终在 Sintel 上相机位姿估计 AUC@3° 从22.5提升到40.0（+77%）

大江东去浪淘尽千古风流人物

【RADIO-ViPE】动态环境下的在线开放词汇语义SLAM：视觉-语言-几何紧耦合BA与自适应鲁棒核深度解析RADIO-ViPE 是一个面向动态环境的在线语义 SLAM 系统，能够将任意自然语言查询与三维场景中的局部区域和物体关联起来（开放词汇语义定位）。与现有方法依赖标定好的 RGB-D 输入不同，RADIO-ViPE 直接处理原始单目 RGB 视频流，不需要相机内参、深度传感器或位姿初始化。其核心创新在于：将来自 RADIO 聚合基础模型的多模态嵌入（视觉+语言）与几何场景信息在初始化、优化和因子图连接三个层面进行紧耦合融合，并通过时序一致的自适应鲁棒核处理动态物体干扰。在 TUM-RGBD 动态基准测试上

大江东去浪淘尽千古风流人物

【Polaris-VIO】Docker 镜像跨硬件分发的隐藏陷阱：AVX-512、-march=native 与 CPU 指令集解耦边界很多团队把"做成 Docker 镜像就和环境/平台/芯片架构解耦了"当成理所当然。本文从一段真实排查出发——本地 i5-14400F 跑某 VIO 镜像 Illegal instruction 直接闪退——梳理三件事：① AVX-512 是什么、为什么 Intel 在消费级 CPU 上禁用了它；② Docker 容器到底解耦了哪几层、哪几层完全没解耦；③ Polaris VIO 项目 CMakeLists.txt 里 -march=native 默认值带来的对外分发风险，以及我们为什么把基线改成 x86-

大江东去浪淘尽千古风流人物

【Flow4DGS-SLAM】动态环境3DGS-SLAM：光流引导自运动分解与混合4D Gaussian深度解析（CVPR 2026）Flow4DGS-SLAM（CVPR 2026，NUS）针对动态场景 3DGS-SLAM 的两大痛点——变形场训练慢和语义分割依赖——提出了全新的光流引导框架。核心思路是用 depth + 先验光流拟合相机自运动模型，不依赖任何语义类别，直接从残差中生成动态掩膜，同时提供更稳定的位姿初始化。动态区域用混合 4D Gaussian 表示（显式时序位置 + GMM 透明度/旋转 + KNN 刚性约束），相比基线 4DGS-SLAM 将建图速度提升 17.6 倍，PSNR 提升 4 dB，TUM RGB-D A

ROS1+VINS-fusion+RTAB-Map 程序部署记录运行环境：Ubuntu 20.04 虚拟机，采用 ROS1 Noetic 版本，使用小鱼一键安装工具完成部署。

吃水果不削皮

VINS-FUSION：跑通手机录制数据利用智能手机的摄像头+IMU 采集数据，并在 VINS-Fusion（视觉惯性SLAM系统）中实现定位与建图。

迎风打盹儿

VIVADO ILA IP进阶使用之任意设置ILA的采样频率VIVADO ILA IP进阶使用之任意设置ILA的采样频率VIVADO ILA IP和VIO IP结合使用任意设置ILA的采样频率

后厂村路直博生

【开发环境】PX4无人机实物使用视觉或运动捕捉系统进行位置估计视觉惯性里程计（VIO）和运动捕捉系统（MoCap）允许无人机在全局位置信息不可用或不可靠时导航（例如在室内或在桥下飞行等）。

读书健身敲代码

VINS-MONO代码解读----vins_estimator(鲁棒初始化部分)整个初始化部分的pipeline如下所示，参照之前的博客，接下来根据代码一步步讲解。上回讲了processImage中addFeatureCheckParallax完成了对KF的筛选，我们知道了2nd是否为KF，接下来是初始化和后端求解部分。对于初始化，先标定Ric外参：

px4+vio实现无人机室内定位文章主要讲述px4 如何利用vins_fusion里程计数据实现在室内定位功能。文章基于以下软、硬件展开。

读书健身敲代码

【深蓝学院】手写VIO第8章--相机与IMU时间戳同步--作业参考常鑫助教的答案：思路是将i时刻的观测投到world系，再用j时刻pose和外参投到j时刻camera坐标系下，归一化得到预测的二维坐标（这里忽略了camera的内参，逆深度是在camera系下）要计算的是i时刻和j时刻之间的补偿之后的u坐标的重投影误差，所以i时刻也要补偿，具体步骤见下，式（5）参照14讲P47的公式，已经用过很多次了。

我是有底线的