CN111578937B - 同时优化外参数的视觉惯性里程计*** - Google Patents
同时优化外参数的视觉惯性里程计*** Download PDFInfo
- Publication number
- CN111578937B CN111578937B CN202010471312.6A CN202010471312A CN111578937B CN 111578937 B CN111578937 B CN 111578937B CN 202010471312 A CN202010471312 A CN 202010471312A CN 111578937 B CN111578937 B CN 111578937B
- Authority
- CN
- China
- Prior art keywords
- rotation
- imu
- frame
- gravity vector
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 31
- 230000005484 gravity Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013519 translation Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
对于机器人***中的视觉惯性里程计，可以通过高效的初始化来提高最终定位的性能。本文提出了一种基于单目视觉惯性***的初始化方法，该方法可以同时优化相机与惯性测量单元之间的外部参数。首先，通过视觉惯性信息估计旋转外参数、陀螺仪偏差、绝对尺度和重力矢量。然后，在视觉惯性测量信息对齐阶段优化平移外参数，并通过之前的状态估计计算得到速度。当旋转角度不够大时，由于加速度计偏差对初始化几乎没有影响，因此在初始化阶段不进行估计，而是在后端优化中进行处理。对比实验结果验证了该方法的有效性。
Description
技术领域
本发明属于计算机视觉与移动机器人的技术领域，特别是涉及需要同时优化外参数的视觉惯性里程计***
背景技术
VO通过安装在机器人上的相机采集图像数据，根据图像特征和运动约束进行位姿估计，不会产生积累误差。但当视觉传感器数据采样率和机器人运动速度比较快时，会造成部分图像缺失而引起估计精度降低，同时单目相机也存在尺度不确定的问题。与视觉传感器不同，惯性传感器具有成本低、尺寸小等特点，能够以较高的频率采集物体的运动信息，非常适合应用在物体做高速运动的场景，对于短期运动预测精度较好，不会受到运动突然变化的影响，但其误差随时间累积严重。当今比较流行的解决方式是将视觉与IMU结合，通过IMU恢复出视觉的绝对尺度，同时利用视觉信息对IMU的偏差进行矫正。
发明内容
本文提供了一种方法，能够在视觉惯性里程计***初始化时同时优化相机和IMU的外参数，这将会大大提高机器人定位与建图的精度。
本文提出了一种基于单目视觉惯性***的初始化方法，该方法可以同时优化相机与惯性测量单元之间的外部参数。首先，通过视觉惯性信息估计旋转外参数、陀螺仪偏差、绝对尺度和重力矢量。然后，在视觉惯性测量信息对齐阶段优化平移外参数，并通过之前的状态估计计算得到速度。当旋转角度不够大时，由于加速度计偏差对初始化几乎没有影响，因此在初始化阶段不进行估计，而是在后端优化中进行处理。对比实验结果验证了该方法的有效性。
本发明提出的同时优化外参数的视觉惯性里程计***包括：
同时优化外参数的视觉惯性里程计***，其特征包括以下步骤：
第1，***描述
第1.1，***框架
所提出方法的***框架，特别是视觉惯性对齐模块，如附图1所示。首先，通过运动恢复结构算法(SFM)获得两个连续相机帧之间的旋转和平移，该算法仅用于获得相机关键帧之间关系的。然后，采用IMU预积分算法来获得IMU两帧之间的差量，并在之前获得估计变量的基础上估算当前IMU关键帧的测量值。通过运动恢复结构和IMU预积分算法获得的相关关键帧的旋转和/>利用经典算法，使用收敛准则获得外部参数的旋转部分。其次，估计陀螺仪偏差、平移外参数、绝对尺度和重力向量，并重新纠正重力的方向。最后，每一帧的速度可以通过先前的状态估计计算得到。加速度计偏差通过后端VIO紧耦合优化进行补偿。
第1.2，IMU预积分
IMU的测量数据包括三轴角速度和三轴线性加速度/>偏差b和白噪声n影响加速度和角速度的精度；测量值和理想值之间的关系如下：
wb和ab分别为和/>的实际值，/>和/>分别为线性加速度和角速度的偏差。nw和na分别为wb和ab的高斯白噪声，服从高斯分布。/>是世界坐标系/>到IMU坐标系/>的旋转矩阵，gw是世界坐标系/>下的重力向量，所以/>表示的是重力向量在IMU坐标系/>下的值。
忽略噪声，IMU连续两帧和/>在时间间隔[tk，tk+1]内的位移、速度和旋转表示如下：
把公式(1)代入公式(2)，并从变换到/>得到IMU预积分公式如下：
公式(3)中，和/>分别为两帧之间的位移、速度旋转差量。由公式可以看出惯性测量单元的当前关键帧的测量值与之前帧无关，仅由/>和/>决定。
第2，估计旋转外参数
第2.1，运动恢复结构
视觉初始化使用运动恢复结构(SFM)方法估计滑动窗口内的所有关键帧的位姿。首先，将第一帧相机帧作为第一个参考关键帧，然后选择一个与当前帧具有更多公共点和足够视差的帧作为第二个参考关键帧。通过五点法或八点法估算当前帧和参考关键帧之间的旋转和平移。然后，利用三角化和PnP算法以及捆集调整(BA)获得滑动窗口内所有关键帧的位姿。在此基础上，得到第k个和第k+1个摄像机关键帧之间的旋转/>和缩放平移
第2.2，旋转外参数
根据坐标系之间的变换，可得到以下关系：
其中由IMU陀螺仪在IMU坐标系/>下积分得到，/>通过视觉初始化得到，/>是需要估计的旋转外参数矩阵。
把以上旋转矩阵用四元数表示得到以下公式：
将Q1和Q2定义为四元数的左乘和右乘，得到以下公式：
变换后得到：
随着关键帧数量的增加，得到以下超线性方程组：
其中N为关键帧数量的最大值，为剔除重投影误差的权重，利用终止准则可以得到旋转外参数。
第3，视觉惯性初始化
第3.1，陀螺仪偏差校正
在相机坐标系下，设置第一个参考关键帧后，通过SFM算法得到第k帧和参考关键帧之间的旋转/>然后/>可以由以下公式得到：
对于滑动窗口内的两个IMU关键帧和/>和/>可由公式(9)得到，相对旋转/>由公式(3)获得。因此陀螺仪偏差的目标方程表示如下：
其中：
因此，最小化公式(10)可以得到陀螺仪偏差bw。相对位移和相对速度/>根据即时计算得出的bw进行更新。
第3.2，平移外参数、绝对尺度和重力向量
通过以上分析，所有的参数都可以从IMU坐标系转换到相机坐标系/>下：
其中s是尺度因子，是缩放的位移。绝对尺度和缩放尺度之间的关系如下：
所以(3)式可写成如下形式：
通过公式(11)(12)(13)，和/>可以被表示为：
假设关键帧的下标i，i+1，i+2分别为1，2，3，并把(15)式的两个式子放在一起得到：
其中：
通过公式(16)，利用最小二乘算法可得到平移外参数重力向量/>和绝对尺度s。
第3.3，重力方向矫正
估计出的重力向量受加速度计偏差的影响，假设重力向量的幅值是一个常量，重力向量的方向由于偏差而发生改变。因此，此时矫正重力向量可以设为两个自由度：
其中为重力向量的幅值，w1b1和w2b2是分别来自两个正交方向的扰动。b为扰动的方向，w为对应的b方向的扰动量。
把公式(18)代入(16)得到：
其中：
通过求解公式(20)，重力向量被重新矫正。在此基础上，和/>坐标系下的所有状态变量都可以变换到世界坐标系/>下。此外，平移和地图点的坐标可以根据得到的绝对尺度s进行缩放。
第3.4，重力方向矫正
重力和绝对尺度得到后，每一关键帧的速度可以由公式(2)和(15)计算得到。在视觉惯性初始化时没有估计加速度计偏差ba，因为它对初始化的影响并不是很大，并且会在后端的VIO紧耦合优化中被估计出来。
附图说明：
图1为视觉惯性***框架图
图2为所提出方法运行MH05困难数据集捕获的图像
图3为实验图：运行结果的均方根误差对比
图4为实验图：所提方法与VINS-Mono在MH05困难数据集下的对比
图5为实验图：所提方法与VINS-Mono在V103困难数据集下的对比
图6为实验图：所提方法与VINS-Mono在room3-512-16数据集下的对比
图7为实验图：数据集运行结果的绝对姿态误差和均方根误差对比
具体实施方式：
1、同时优化外参数的视觉惯性里程计***，其特征包括以下步骤：
第1，***描述
第1.1，***框架
所提出方法的***框架，特别是视觉惯性对齐模块，如附图1所示。首先，通过运动恢复结构算法(SFM)获得两个连续相机帧之间的旋转和平移，该算法仅用于获得相机关键帧之间关系的。然后，采用IMU预积分算法来获得IMU两帧之间的差量，并在之前获得估计变量的基础上估算当前IMU关键帧的测量值。通过运动恢复结构和IMU预积分算法获得的相关关键帧的旋转和/>利用经典算法，使用收敛准则获得外部参数的旋转部分。其次，估计陀螺仪偏差、平移外参数、绝对尺度和重力向量，并重新纠正重力的方向。最后，每一帧的速度可以通过先前的状态估计计算得到。加速度计偏差通过后端VIO紧耦合优化进行补偿。
第1.2，IMU预积分
IMU的测量数据包括三轴角速度和三轴线性加速度/>偏差b和白噪声n影响加速度和角速度的精度；测量值和理想值之间的关系如下：
wb和ab分别为和/>的实际值，/>和/>分别为线性加速度和角速度的偏差。nw和na分别为wb和ab的高斯白噪声，服从高斯分布。/>是世界坐标系/>到IMU坐标系/>的旋转矩阵，gw是世界坐标系/>下的重力向量，所以/>表示的是重力向量在IMU坐标系/>下的值。
忽略噪声，IMU连续两帧和/>在时间间隔[tk，tk+1]内的位移、速度和旋转表示如下：
把公式(21)代入公式(22)，并从变换到/>得到IMU预积分公式如下：
公式(23)中，和/>分别为两帧之间的位移、速度旋转差量。由公式可以看出惯性测量单元的当前关键帧的测量值与之前帧无关，仅由/>和/>决定。
第2，估计旋转外参数
第2.1，运动恢复结构
视觉初始化使用运动恢复结构(SFM)方法估计滑动窗口内的所有关键帧的位姿。首先，将第一帧相机帧作为第一个参考关键帧，然后选择一个与当前帧具有更多公共点和足够视差的帧作为第二个参考关键帧。通过五点法或八点法估算当前帧和参考关键帧之间的旋转和平移。然后，利用三角化和PnP算法以及捆集调整(BA)获得滑动窗口内所有关键帧的位姿。在此基础上，得到第k个和第k+1个摄像机关键帧之间的旋转/>和缩放平移
第2.2，旋转外参数
根据坐标系之间的变换，可得到以下关系：
其中由IMU陀螺仪在IMU坐标系/>下积分得到，/>通过视觉初始化得到，/>是需要估计的旋转外参数矩阵。
把以上旋转矩阵用四元数表示得到以下公式：
将Q1和Q2定义为四元数的左乘和右乘，得到以下公式：
变换后得到：
随着关键帧数量的增加，得到以下超线性方程组：
其中N为关键帧数量的最大值，为剔除重投影误差的权重，利用终止准则可以得到旋转外参数。
第3，视觉惯性初始化
第3.1，陀螺仪偏差校正
在相机坐标系下，设置第一个参考关键帧后，通过SFM算法得到第k帧和参考关键帧之间的旋转/>然后/>可以由以下公式得到：
对于滑动窗口内的两个IMU关键帧和/>和/>可由公式(29)得到，相对旋转/>由公式(23)获得。因此陀螺仪偏差的目标方程表示如下：
其中：
因此，最小化公式(30)可以得到陀螺仪偏差bw。相对位移和相对速度/>根据即时计算得出的bw进行更新。
第3.2，平移外参数、绝对尺度和重力向量
通过以上分析，所有的参数都可以从IMU坐标系转换到相机坐标系/>下：
其中s是尺度因子，是缩放的位移。绝对尺度和缩放尺度之间的关系如下：
所以(23)式可写成如下形式：
通过公式(31)(32)(33)，和/>可以被表示为：
假设关键帧的下标i，i+1，i+2分别为1，2，3，并把(35)式的两个式子放在一起得到：
其中：
通过公式(36)，利用最小二乘算法可得到平移外参数重力向量/>和绝对尺度s。
第3.3，重力方向矫正
估计出的重力向量受加速度计偏差的影响，假设重力向量的幅值是一个常量，重力向量的方向由于偏差而发生改变。因此，此时矫正重力向量可以设为两个自由度：
其中为重力向量的幅值，w1b1和w2b2是分别来自两个正交方向的扰动。b为扰动的方向，w为对应的b方向的扰动量。
把公式(38)代入(36)得到：
其中：
通过求解公式(40)，重力向量被重新矫正。在此基础上，和/>坐标系下的所有状态变量都可以变换到世界坐标系/>下。此外，平移和地图点的坐标可以根据得到的绝对尺度s进行缩放。
第3.4，重力方向矫正
重力和绝对尺度得到后，每一关键帧的速度可以由公式(22)和(35)计算得到。在视觉惯性初始化时没有估计加速度计偏差ba，因为它对初始化的影响并不是很大，并且会在后端的VIO紧耦合优化中被估计出来。
第4，实验和结论
第4.1，实验结果
通过实验结果来证明该方法的有效性。在VINS-Mono的启发性工作的基础上实施提出的方法。该方法通过两个公共基准数据集进行评估：EuRoc MAV数据集和TUM视觉惯性数据集。实验在一台计算机上实施，配有4核因特尔i7处理器，2.8GHZ主频，8GB运行内存，Ubuntu14.04和ROS Indigo。使用开源软件包Evo评估轨迹误差。
本实验与经典的VINS-Mono工程进行比较。图2显示了MH05困难数据集的实现过程，由于无人机运动快速且环境复杂，因此对VIO算法提出了很高的要求。运行结果的均方根误差(RMSE)如图3所示，数字为粗体的代表运行结果的性能较好。通过图2可以看出，与VINS-Mono相比，本方法在10个实验上具有更好的性能，其中3个等于VINS-Mono，1个不如VINS-Mono。
图4-6展示了本方法与VINS-Mono分别在MH05困难，V103困难和room3-512-16数据集下的对比结果。在这3个图中，粗虚线表示轨迹的理想值，点划线表示VINS-Mono的估计结果，实线表示所本方法的估计结果。可以看出本方法的估计结果相比VINS-Mono更接近于理想值。
此外，使用绝对姿态误差(APE)以获得更好的评估，它可以直接比较VIO估计结果与理想结果之间的轨迹误差。图7显示了以上三个数据集运行结果的绝对姿态误差和均方根误差对比。可以看出，该方法的估计误差比VINS-Mono的估计误差小。
需要注意的是，在VIO初始化阶段，我们将平移外参数添加到优化变量中，并通过先前的状态估计直接计算每个关键帧的速度。通过这些改进，相对于VINS-Mono，该方法降低了VIO初始化阶段的迭代和计算复杂度，因此可以获得更准确的结果。
第4.2，结论
提出了一种新颖的视觉惯性初始化方法，该方法可以在视觉惯性状态估计的同时优化相机和IMU外参数。获得旋转外在参数后，联合估算陀螺仪偏差，绝对尺度，重力向量和平移外参数，并通过先前的估计变量计算得出速度。加速度计偏差通过后端VIO紧耦合优化得到。对比实验结果表明，该方法具有良好的性能。
Claims (1)
1.一种同时优化外参数的视觉惯性里程计的方法，其特征包括以下步骤：
第1，方法描述
第1.1，方法框架
首先，通过运动恢复结构算法(SFM)获得两个连续相机帧之间的旋转和平移，该算法仅用于获得相机关键帧之间关系的；然后，采用IMU预积分算法来获得IMU两帧之间的差量，并在之前获得估计变量的基础上估算当前IMU关键帧的测量值；通过运动恢复结构和IMU预积分算法获得的相关关键帧的旋转和/>利用经典算法，使用收敛准则获得外部参数的旋转部分；其次，估计陀螺仪偏差、平移外参数、绝对尺度和重力向量，并重新纠正重力的方向；最后，每一帧的速度可以通过先前的状态估计计算得到；加速度计偏差通过后端VIO紧耦合优化进行补偿；
第1.2，IMU预积分
IMU的测量数据包括三轴角速度和三轴线性加速度/>偏差b和白噪声n影响加速度和角速度的精度；测量值和理想值之间的关系如下：
wb和ab分别为和/>的实际值，/>和/>分别为线性加速度和角速度的偏差；nw和na分别为wb和ab的高斯白噪声，服从高斯分布；/>是世界坐标系/>到IMU坐标系/>的旋转矩阵，gw是世界坐标系/>下的重力向量，所以/>表示的是重力向量在IMU坐标系/>下的值；
忽略噪声，IMU连续两帧和/>在时间间隔[tk，tk+1]内的位移、速度和旋转表示如下：
把公式(1)代入公式(2)，并从变换到/>得到IMU预积分公式如下：
公式(3)中，和/>分别为两帧之间的位移、速度、旋转差量；由公式可以看出惯性测量单元的当前关键帧的测量值与之前帧无关，仅由/>和/>决定；
第2，估计旋转外参数
第2.1，运动恢复结构
视觉初始化使用运动恢复结构(SFM)方法估计滑动窗口内的所有关键帧的位姿；首先，将第一帧相机帧作为第一个参考关键帧，然后选择一个与当前帧具有更多公共点和足够视差的帧作为第二个参考关键帧；通过五点法或八点法估算当前帧和参考关键帧之间的旋转和平移；然后，利用三角化和PnP算法以及捆集调整(BA)获得滑动窗口内所有关键帧的位姿；在此基础上，得到第k个和第k+1个摄像机关键帧之间的旋转/>和缩放平移/>
第2.2，旋转外参数
根据坐标系之间的变换，可得到以下关系：
其中由IMU陀螺仪在IMU坐标系/>下积分得到，/>通过视觉初始化得到，/>是需要估计的旋转外参数矩阵；
把以上旋转矩阵用四元数表示得到以下公式：
将Q1和Q2定义为四元数的左乘和右乘，得到以下公式：
变换后得到：
随着关键帧数量的增加，得到以下超线性方程组：
其中N为关键帧数量的最大值，为剔除重投影误差的权重，利用终止准则可以得到旋转外参数；
第3，视觉惯性初始化
第3.1，陀螺仪偏差校正
在相机坐标系下，设置第一个参考关键帧后，通过SFM算法得到第k帧和参考关键帧之间的旋转/>然后/>可以由以下公式得到：
对于滑动窗口内的两个IMU关键帧和/>和/>可由公式(9)得到，相对旋转/>由公式(3)获得；因此陀螺仪偏差的目标方程表示如下：
其中
因此，最小化公式(10)可以得到陀螺仪偏差bw；相对位移和相对速度/>根据即时计算得出的bw进行更新；
第3.2，平移外参数、绝对尺度和重力向量
通过以上分析，所有的参数都可以从IMU坐标系转换到相机坐标系/>下：
其中s是尺度因子，是缩放的位移；绝对尺度和缩放尺度之间的关系如下：
所以(3)式可写成如下形式：
通过公式(11)(12)(13)，和/>可以被表示为：
假设关键帧的下标i，i+1，i+2分别为1，2，3，并把(15)式的两个式子放在一起得到：
其中：
通过公式(16)，利用最小二乘算法可得到平移外参数重力向量/>和绝对尺度s；
第3.3，重力方向矫正
估计出的重力向量受加速度计偏差的影响，假设重力向量的幅值是一个常量，重力向量的方向由于偏差而发生改变；因此，此时矫正重力向量可以设为两个自由度：
其中为重力向量的幅值，w1b1和w2b2是分别来自两个正交方向的扰动；b为扰动的方向，w为对应的b方向的扰动量；
把公式(18)代入(16)得到：
其中：
通过求解公式(20)，重力向量被重新矫正；在此基础上，和/>坐标系下的所有状态变量都可以变换到世界坐标系/>下；此外，平移和地图点的坐标可以根据得到的绝对尺度s进行缩放；
第3.4，重力方向矫正
重力和绝对尺度得到后，每一关键帧的速度可以由公式(2)和(15)计算得到；在视觉惯性初始化时没有估计加速度计偏差ba，因为它对初始化的影响并不是很大，并且会在后端的VIO紧耦合优化中被估计出来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010471312.6A CN111578937B (zh) | 2020-05-29 | 2020-05-29 | 同时优化外参数的视觉惯性里程计*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010471312.6A CN111578937B (zh) | 2020-05-29 | 2020-05-29 | 同时优化外参数的视觉惯性里程计*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111578937A CN111578937A (zh) | 2020-08-25 |
| CN111578937B true CN111578937B (zh) | 2024-01-09 |
Family
ID=72115841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010471312.6A Active CN111578937B (zh) | 2020-05-29 | 2020-05-29 | 同时优化外参数的视觉惯性里程计*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111578937B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112284381B (zh) * | 2020-10-19 | 2022-09-13 | 北京华捷艾米科技有限公司 | 视觉惯性实时初始化对准方法及*** |
| CN112556692B (zh) * | 2020-11-27 | 2023-01-31 | 绍兴市北大信息技术科创中心 | 一种基于注意力机制的视觉和惯性里程计方法和*** |
| CN112649016B (zh) * | 2020-12-09 | 2023-10-03 | 南昌大学 | 一种基于点线初始化的视觉惯性里程计方法 |
| CN112862768B (zh) * | 2021-01-28 | 2022-08-02 | 重庆邮电大学 | 一种基于点线特征的自适应单目vio初始化方法 |
| CN113158459A (zh) * | 2021-04-20 | 2021-07-23 | 浙江工业大学 | 一种基于视觉和惯性信息融合的人体姿态估计方法 |
| CN113077515B (zh) * | 2021-06-07 | 2021-09-21 | 之江实验室 | 一种水下视觉惯导压力定位的紧耦合初始化方法 |
| US11521332B1 (en) | 2021-06-29 | 2022-12-06 | Midea Group Co., Ltd. | Method and apparatus for optimization of a monocular visual-inertial localization system |
| US11756231B2 (en) * | 2021-06-29 | 2023-09-12 | Midea Group Co., Ltd. | Method and apparatus for scale calibration and optimization of a monocular visual-inertial localization system |
| CN113432595A (zh) * | 2021-07-07 | 2021-09-24 | 北京三快在线科技有限公司 | 设备状态获取方法、装置、计算机设备及存储介质 |
| CN114216455A (zh) * | 2021-11-04 | 2022-03-22 | 天津工业大学 | 同时优化时间偏差的视觉惯性里程计*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014130854A1 (en) * | 2013-02-21 | 2014-08-28 | Regents Of The Univesity Of Minnesota | Extrinsic parameter calibration of a vision-aided inertial navigation system |
| CN108981693A (zh) * | 2018-03-22 | 2018-12-11 | 东南大学 | 基于单目相机的vio快速联合初始化方法 |
| CN110030994A (zh) * | 2019-03-21 | 2019-07-19 | 东南大学 | 一种基于单目的鲁棒性视觉惯性紧耦合定位方法 |
| CN110345944A (zh) * | 2019-05-27 | 2019-10-18 | 浙江工业大学 | 融合视觉特征和imu信息的机器人定位方法 |
| CN110751123A (zh) * | 2019-06-25 | 2020-02-04 | 北京机械设备研究所 | 一种单目视觉惯性里程计***及方法 |
| CN110986939A (zh) * | 2020-01-02 | 2020-04-10 | 东南大学 | 一种基于imu预积分的视觉惯性里程计方法 |
| WO2020087846A1 (zh) * | 2018-10-31 | 2020-05-07 | 东南大学 | 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法 |
-
2020
- 2020-05-29 CN CN202010471312.6A patent/CN111578937B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014130854A1 (en) * | 2013-02-21 | 2014-08-28 | Regents Of The Univesity Of Minnesota | Extrinsic parameter calibration of a vision-aided inertial navigation system |
| CN108981693A (zh) * | 2018-03-22 | 2018-12-11 | 东南大学 | 基于单目相机的vio快速联合初始化方法 |
| WO2020087846A1 (zh) * | 2018-10-31 | 2020-05-07 | 东南大学 | 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法 |
| CN110030994A (zh) * | 2019-03-21 | 2019-07-19 | 东南大学 | 一种基于单目的鲁棒性视觉惯性紧耦合定位方法 |
| CN110345944A (zh) * | 2019-05-27 | 2019-10-18 | 浙江工业大学 | 融合视觉特征和imu信息的机器人定位方法 |
| CN110751123A (zh) * | 2019-06-25 | 2020-02-04 | 北京机械设备研究所 | 一种单目视觉惯性里程计***及方法 |
| CN110986939A (zh) * | 2020-01-02 | 2020-04-10 | 东南大学 | 一种基于imu预积分的视觉惯性里程计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王帅 ; 潘树国 ; 黄砺枭 ; 曾攀 ; .单目视觉惯性定位的IMU辅助跟踪模型.测绘通报.(第11期),全文. * |
| 程传奇 ; 郝向阳 ; 李建胜 ; 刘智伟 ; 胡鹏 ; .基于非线性优化的单目视觉/惯性组合导航算法.中国惯性技术学报.(第05期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111578937A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111578937B (zh) | 同时优化外参数的视觉惯性里程计*** | |
| CN109307508B (zh) | 一种基于多关键帧的全景惯导slam方法 | |
| CN109029433B (zh) | 一种移动平台上基于视觉和惯导融合slam的标定外参和时序的方法 | |
| WO2020253854A1 (zh) | 移动机器人姿态角解算方法 | |
| CN109166149B (zh) | 一种融合双目相机与imu的定位与三维线框结构重建方法与*** | |
| CN111024066B (zh) | 一种无人机视觉-惯性融合室内定位方法 | |
| CN112649016B (zh) | 一种基于点线初始化的视觉惯性里程计方法 | |
| CN110030994B (zh) | 一种基于单目的鲁棒性视觉惯性紧耦合定位方法 | |
| Weiss et al. | Real-time onboard visual-inertial state estimation and self-calibration of MAVs in unknown environments | |
| CN110084832B (zh) | 相机位姿的纠正方法、装置、***、设备和存储介质 | |
| CN108648215B (zh) | 基于imu的slam运动模糊位姿跟踪算法 | |
| CN110702107A (zh) | 一种单目视觉惯性组合的定位导航方法 | |
| CN112304307A (zh) | 一种基于多传感器融合的定位方法、装置和存储介质 | |
| CN112240768A (zh) | 基于Runge-Kutta4改进预积分的视觉惯导融合SLAM方法 | |
| CN114001733B (zh) | 一种基于地图的一致性高效视觉惯性定位算法 | |
| CN105931275A (zh) | 基于移动端单目和imu融合的稳定运动跟踪方法和装置 | |
| CN109141475B (zh) | 一种dvl辅助sins鲁棒行进间初始对准方法 | |
| CN111156997B (zh) | 一种基于相机内参在线标定的视觉/惯性组合导航方法 | |
| WO2019191288A1 (en) | Direct sparse visual-inertial odometry using dynamic marginalization | |
| CN110207693B (zh) | 一种鲁棒立体视觉惯性预积分slam方法 | |
| CN110345936A (zh) | 运动装置的轨迹数据处理方法及其处理*** | |
| CN114485640A (zh) | 基于点线特征的单目视觉惯性同步定位与建图方法及*** | |
| CN113503873A (zh) | 一种多传感器融合的视觉定位方法 | |
| CN115046545A (zh) | 一种深度网络与滤波结合的定位方法 | |
| CN109443355B (zh) | 基于自适应高斯pf的视觉-惯性紧耦合组合导航方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231213 Address after: 200000 No. 2, Lane 585, Longhao Road, Shanyang Town, Jinshan District, Shanghai (Jinshan Capital Group South Economic Park) Applicant after: Shanghai Xintiance Digital Technology Co.,Ltd. Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Hongyue Information Technology Co.,Ltd. Effective date of registration: 20231213 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Hongyue Information Technology Co.,Ltd. Address before: No. 399 Bingshui Road, Xiqing District, Tianjin, Tianjin Applicant before: TIANJIN POLYTECHNIC University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Room 209, Building 2, No. 1428 Haijie Road, Lingang New Area, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, June 2013 Patentee after: Shanghai Xintiance Digital Technology Co.,Ltd. Country or region after: China Address before: 200000 No. 2, Lane 585, Longhao Road, Shanyang Town, Jinshan District, Shanghai (Jinshan Capital Group South Economic Park) Patentee before: Shanghai Xintiance Digital Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |