Fast-Livo:快速紧耦合稀疏-DirectLiDAR-惯性视觉里程计
点击上方“3D视觉工坊”,选择“星标”
干货第一时间送达
作者丨吕乐章
来源丨计算机视觉life
今天给大家分享一篇香港大学火星实验室最新的成果,题目是快速紧耦合的稀疏直接雷达-惯性-视觉里程计,
英文标题:FAST-LIVO: Fast and Tightly-coupled Sparse-DirectLiDAR-Inertial-Visual Odometry
论文地址:FAST-LIVO: Fast and Tightly-coupled Sparse-DirectLiDAR-Inertial-Visual Odometry
多传感器融合可以实现准确和鲁棒的位姿估计,在机器人应用中具有很大的潜力。本文提出了FAST-LVIO:一种融合LiDAR-IMU-视觉的里程计系统,它由两个紧耦合的子系统构成:VIO子系统和LIO子系统。LIO子系统将当前帧扫描到的原始点(而不是特征点,例如边或平面)添加到增量点云地图。点云地图点还附加有图像块,这些图像块会在VIO子系统中使用,通过最小化光度误差来对齐新图像,而无需提取任何视觉特征(例如,ORB或FAST角点特征)。为了进一步提高VIO的鲁棒性和准确性,本文提出了一种孤立点剔除方法来剔除图像中的位于边缘或被遮挡的不稳定点。分别在开放数据集和自己的设备数据上进行了实验。结果表明,本文提出的系统性能优于其他同类系统,并且能够以较低的计算量应对具有挑战性的环境。该系统支持传统旋转激光雷达和固态激光雷达,并且可以在Intel和ARM处理器上实时运行。我们将在Github上将这项工作的代码和数据集公开。
开源代码(待上传):https://github.com/hku-mars/FAST-LIVO
本文的贡献如下:
1、一种紧耦合的LiDAR-inertial-visual里程仪框架,它建立在两个紧耦合的里程计系统之上:LIO子系统和VIO子系统,这两个子系统都不需要提取特征,通过将各自的激光雷达或视觉数据与IMU进行融合来联合估计系统状态。
2、一种直接而有效的VIO子系统,它重用了LIO子系统的点云地图。具体地说,通过最小化光度误差,将地图中的点投影到新一帧图像上来对齐位姿。LIO子系统的点云地图在VIO子系统中的重用避免了视觉特征的提取、三角化,将两个传感器紧耦合在一起。
3、将所提出的系统代码开源,该代码可以在Intel和ARM处理器上实时运行,并且既支持旋转雷达,也支持固态雷达。
4、分别在开放数据集和自己的设备数据上进行了实验。结果表明,我们的系统性能优于其他同类系统,并且能够以较低的计算量工作在传感器退化的环境。
实验部分
本文的系统在剧烈运动、室内外、无纹理白墙和LiDAR退化环境中进行了测试。在开放数据集上的实验表明,与最先进的LIO、VIO和LIVO算法相比,本文的系统可以达到最好的整体性能。
1、Benchmark 数据集
2、自己的实验设备
本文仅做学术分享,如有侵权,请联系删文。
干货下载与学习
后台回复:巴塞罗那自治大学课件,即可下载国外大学沉淀数年3D Vison精品课件
后台回复:计算机视觉书籍,即可下载3D视觉领域经典书籍pdf
后台回复:3D视觉课程,即可学习3D视觉领域精品课程
3D视觉精品课程推荐:
1.面向自动驾驶领域的多传感器数据融合技术
2.面向自动驾驶领域的3D点云目标检测全栈学习路线!(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建:原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM:基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)
9.从零搭建一套结构光3D重建系统[理论+源码+实践]
10.单目深度估计方法:算法梳理与代码实现
11.自动驾驶中的深度学习模型部署实战
12.相机模型与标定(单目+双目+鱼眼)
13.重磅!四旋翼飞行器:算法与实战
14.ROS2从入门到精通:理论与实战
15.国内首个3D缺陷检测教程:理论、源码与实战
重磅!3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群,目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注:研究方向+学校/公司+昵称,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球:针对3D视觉领域的视频课程(三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等)、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕,更有各类大厂的算法工程人员进行技术指导。与此同时,星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息,打造成集技术与就业为一体的铁杆粉丝聚集区,近5000星球成员为创造更好的AI世界共同进步,知识星球入口:
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题
觉得有用,麻烦给个赞和在看~
Fast-Livo:快速紧耦合稀疏-DirectLiDAR-惯性视觉里程计相关推荐
- SLAM 06.视觉里程计-3-直接法
1.特征法和直接法比较 1.1.特征法的缺点 特征点法有如下几个缺点: 特征点法需要提取多个特征点以及描述子,并且要进行多个特征点之间的匹配,运算量很大,难于满足实时要求.SIFT目前在CPU上是无法 ...
- LIRO:紧耦合激光-惯性-测距里程计
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 LIRO: Tightly Coupled Lidar-Inertia-Ranging Odometr ...
- svo: semi-direct visual odometry 半直接视觉里程计 fast角点匹配 光流匹配 单应变换求位姿 直接法求解位姿 高斯均匀分布混合深度滤波
svo: semi-direct visual odometry 半直接视觉里程计 本博文github地址 svo代码注释 SVO代码分析 较细致 svo: semi-direct visual od ...
- 2022最新!视觉SLAM综述(多传感器/姿态估计/动态环境/视觉里程计)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨汽车人 来源丨 自动驾驶之心 摘要 近年来,基于视觉的传感器在SLAM系统中显示出显著的性能.精 ...
- LIC Fusion 2.0:滑动窗口法平面特征跟踪的激光雷达惯性相机里程计
点云PCL免费知识星球,点云论文速读. 标题:LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feat ...
- SVO半直接视觉里程计 学习与归纳
** SVO半直接视觉里程计 学习与归纳 ** 前段时间在一篇文章中看到了关于"单目视觉惯性vio算法的比较与分析" 在最后的结论中提到,svo的算法具有很高的计算效率,并且svo ...
- 360VO:基于单个全景相机的视觉里程计
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨paopaoslam 来源丨 泡泡机器人SLAM 标题:360VO: Visual Odomet ...
- DPVO:深度patch视觉里程计(arXiv 2022)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨泡泡机器人 来源丨泡泡机器人SLAM 标题: Deep Patch Visual Odometr ...
- SLAM前端中的视觉里程计和回环检测
1. 通常的惯例是把 VSLAM 分为前端和后端.前端为视觉里程计和回环检测,相当于是对图像数据进行关联:后端是对前端输出的结果进行优化,利用滤波或非线性优化理论,得到最优的位姿估计和全局一致性地图. ...
最新文章
- 从源码看runLoop
- 用python画烟花-python 实现漂亮的烟花,樱花,玫瑰花
- 【Android 逆向】IDA 工具使用 ( 十六进制视图 Hex View-1 | 结构体视图 Structures | 枚举视图 Enums | 导入视图 Import | 导出视图 )
- OpenCV图像处理——iOS端人脸检测
- 第七章 PX4-Pixhawk-Mavlink解析
- mac 安装使用 webp 来压缩图片
- iMac 是什么?苹果2021新款 iMac 购买建议
- 分分钟学会系列:mac地址泛洪攻击实验
- 异常:Error resolving template “xxx“, template might not exist or might not be accessible...解决办法
- 11尺寸长宽 iphone_东风日产奇骏垫底!盘点2020年11月销量最大的十款SUV
- 《统计学基本概念和方法》读书笔记+读后感(1)
- C#中如何生成矢量图
- 免费的视频格式转换器哪个最好用呢?
- 机器学习算法之GMM模型
- dreamweavercc 数据库_dreamweaver两种方法连接数据库(测试成功,超详细步骤)
- 深度学习笔记-吴恩达
- 信息爆炸,物质丰富,你不得不知的奥卡姆剃刀原则
- 分享 | 一份小小的信念
- 游戏辅助 -- 走路call中ecx值分析
- Hibernate学习-14:实体之间的关系及其配置,级联操作
热门文章
- Git分布式版本管理工具
- MYSQL系列---默认隔离级别所引发的问题
- Netty系列---源码实例
- HEVC解码器HM源码阅读(二)解码器中类的介绍
- 联想拯救者 R720-15IKBN 加装固态以及重装Windows 10系统
- 2018省赛第九届蓝桥杯真题C语言B组第八题题解 日志统计
- 【2021杭电多校赛】2021“MINIEYE杯”中国大学生算法设计超级联赛(8)
- COB,COF,COG区别
- python写名字-python写心形名字
- iOS编译cURL库并链接darwinssl,zlib,c-ares库操作步骤