【每日论文阅读】Collaborative Visual Inertial SLAM for Multiple Smart Phones
文章目录
- 论文阅读：Collaborative Visual Inertial SLAM for Multiple Smart Phones
- 摘要
- 主要贡献
- 算法逻辑
- 算法结果
论文阅读：Collaborative Visual Inertial SLAM for Multiple Smart Phones
摘要
在大范围、长时间场景的AR应用下，高效和高精度建图至关重要。而多智能终端的联合SLAM算法是多用户AR互动的前提条件。多智能手机联合算法具备完成任务的高效、高鲁棒潜力，并且可以完成单终端无法完成的任务。然而，这种算法依赖于鲁棒的网络通信、高效的定位检测、鲁棒的地图以及高效的多设备信息共享机制。作者提出一种基于多智能终端的联合单目视觉-惯导SLAM算法，主要是应用于多智能手机（IOS）的一体化架构。每个终端可以独立探索环境，运行一个在线的VIO模块，然后发送所有的测量信息到高算力的中央服务器。服务器管理所有接收到的信息，并检测重叠区域，融合及优化地图，并根据需求与每个终端分享信息。我们已经在一部分公共数据集和真实环境下验证了系统的性能，其融合建图的精度与需要更高计算资源的VINS-MONO差不多。
主要贡献
- 提出第一个跨设备、基于多智能移动终端的单目VIO-SLAM。
- 该联合SLAM算法可以获得近似VINS-MONO在PC上的精度表现。
- 提出一个精确、鲁棒的多地图融合算法，通过基于双向重投影误差优化的本地滑窗获得更加精确的转换矩阵。
算法逻辑
- 手机端采用基于关键帧优化的
VINS-Mobile算法，仅保留其中的VIO模块和local BA模块，并针对EuRoc数据集进行了输入适配。适配模块包括去畸变、读取和预处理图像、各测量单元对齐。 - 手机端通过5个线程管理6个模块，其中第5、6模块均为
communication模块，由一个线程进行分管。通信模块主要负责将手机端关键帧和对应地图点传输至服务器，每一帧平均包含70个地图点、700个角点和对应的256-bit描述子。考虑到网络负载和丢包现象，将传输关键帧的大数据包分割为4*1024大小的小包传输，并设置210*1024的缓冲区。 - 服务器端接收到每个手机端的submap后，自动运行
Place recognition功能，其中包含两种场景识别策略。一种是单地图场景检测，当检测到相似场景时，如果该终端submap没有融合其他地图，则启动Loop closure以及Inter-Map BA。如果检测到地图已经与其他终端融合，或者在服务器地图中检测到相似场景，则触发Multi-Map Fusion模块。在该模块中，首先会计算两个场景的变换矩阵，再通过Local BA以及Optimize Pose Graph进行全局优化。
Multi-Map Fusion模块逻辑：- 检测到不同地图的相似关键帧后，首先建立本地滑窗。把匹配关键帧
Kc和Km的临近关键帧分别提取到2个容器UKc和UKm，并将UKm的地图点全部投影到UKc上，映射矩阵为Kc和Km两帧通过PNP计算出的变换矩阵，并通过三角化的深度阈值筛除不可信的地图点。接下来对所有地图点寻找汉明距离最近的匹配点，通过RANSAC算法计算转换矩阵，将对应匹配点分别放在MPc和MPm。之后再通过新的变换矩阵，将UKc的地图点反投影到UKm上，再计算一次。 - 通过
Local BA优化帧与帧之间的变换矩阵，如果优化后的位姿变换小于阈值，则进行地图融合。 - 如果
Local BA运行，则在之后同步进行Optimize Pose Graph模块融合多个子地图。纠正的位姿信息重传播给各个子地图序列，并反馈给每个终端。
- 检测到不同地图的相似关键帧后，首先建立本地滑窗。把匹配关键帧
算法结果
传输带宽测试
单移动终端测试
多移动终端测试
参考算法：
Centralized Collaborative Monocular SLAM
VINS-Mobile
【每日论文阅读】Collaborative Visual Inertial SLAM for Multiple Smart Phones相关推荐
- 《论文笔记》Collaborative Visual Inertial SLAM for Multiple Smart Phones
时间:2021 作者: 创新点: 整体结构感觉和CCM_SLAM很像(也是中心化方式),在部分细节上做了创新:引入了VIO做单机SLAM,而且场景更换为移动场景.基于VIO的multi-map f ...
- 论文阅读：Visual Semantic Localization based on HD Map for AutonomousVehicles in Urban Scenarios
题目:Visual Semantic Localization based on HD Map for Autonomous Vehicles in Urban Scenarios 中文:基于高清地图 ...
- VIL-SLAM论文翻译:Stereo Visual Inertial LiDAR Simultaneous Localization and Mapping
文章目录 写在前面 摘要 1.引言 2.相关工作 3.系统概述 4.视觉前端 5.双目视觉惯性里程计 A. IMU预积分因子 B. 非结构化视觉因子 C. 优化和边缘化 6. 激光建图 A. LiDA ...
- [论文笔记|sonar+VIO]:Sonar Visual Inertial SLAM of Underwater Structures
摘要 为了适应水下声呐传感器的数据,本文提出了一种最先进的视觉-惯性状态估计方案(OKVIS)的扩展.水下领域在可用视觉数据的质量方面提出了独特的挑战;因此,利用声呐数据增强外传感器能改善水下结构的重 ...
- 论文阅读：Visual Relationship Detection with Language Priors
Visual Relationship Detection with Language Priors(ECCV2016) 文章 尽管大多数的relationship并不常见,但是它们的object ...
- 论文阅读《Visual Measurement Integrity Monitoring for UAV Localization》
目录 1 摘要 2 介绍 3 相关的工作 3.1 接收机自主完好性监测 3.2 基于视觉的定位 3.3 视觉测量的外点剔除 4 完好性监测框架 4.1 问题表述 4.2 故障检测与排除 4.3 计算保 ...
- (声纳+惯性+视觉)Sonar Visual Inertial SLAM of Underwater Structures
传感器:声纳+惯性+视觉 提出一种实时SLAM算法,融合视觉,惯性,距离信息. 重点: 怎样融合声呐信息. 系统框图: 以OKIVS为框架, 融合声纳信息. 硬件配置: IDS UI-3251LE c ...
- 【1.28-1】每日论文阅读
会议:CVPR 2021 <Improving Unsupervised Image Clustering With Robust Learning> 20220128 第1篇 问题 引入 ...
- 论文阅读笔记《Matching Images With Multiple Descriptors: An Unsupervised Approach for Locally Adaptive》
核心思想 本文提出一种将多种特征描述算法融合起来实现更好图像匹配的方法.近些年来,图像特征的描述算法层出不穷如SIFT.LIOP .DAISY等等,每种方法都有各自的优势和侧重点,对于不同图像其效 ...
最新文章
- redis面试知识点和内存算法了解
- 如果《赛博朋克2077》走进现实，人类如何摆脱AI的支配？
- Python tips（
- 理解Maven中的SNAPSHOT版本和正式版本
- 15.17 对缺乏潜在类型机制的补偿
- 简短介绍_简短的自我介绍
- 算法学习三：使用霍纳规则计算多项式
- SGU-169 Numbers(找规律）
- MVP+RecylerView显示数据
- tkinter如何绑定鼠标和键盘等事件
- 旷视科技2023校园招聘提前批正式启动！
- JQuery中 JSON 兼容性问题（针对ie8）
- 视频监控一般都存储在哪里？如何实现云端集中存储？
- 搜狗输入法账户无法同步问题
- Day 10-常用 Composition API_toRef toRefs
- 【安全资讯】起因222个摄像头，特斯拉工厂教会IoT行业的事
- uni-app getLocation:fail 此key每日调用量已达到上限
- chartContrl 折线图添加报警线和一些其他设置 放大缩小折线图等
- 使用nmcli添加静态/DHCP配置
- 程序员要保持学习，持续学习