首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    【SLAM】改进EKF-SLAM方案,设计了SEVIS方案进行精确定位,计算量低,适用更多低算力平台

    实现移动和可穿戴传感器系统厘米级精确定位具有重要的实际应用意义。本文提出了一种高效高精度的视觉惯性SLAM算法方案,称为SEVIS(Schmidt-EKF-VI-SLAM)。该方案通过IMU数据与视觉图像最佳融合,来提供低误差的3D运动追踪。特别地,调整了Schmidt-Kalman滤波公式,在状态向量中选择性地包含信息特征,同时在它们成熟后将它们作为干扰参数(或Schmidt状态)处理。建模的这种变化无需不断更新施密特状态(或它们的协方差),允许EKF正确地解释它们与活动状态的相互关系,降低了计算量。因此,我们在地图大小方面实现了线性计算复杂度,在地图大小方面获得线性计算复杂度,而不是标准SLAM系统中的二次型。为了充分利用地图信息来约束导航漂移,提倡有效的关键帧辅助的2D到2D特征匹配,减少了大量3D到2D的特征匹配,解决了2D视觉测量与3D地图特征匹配的特征关联问题,同时还保障了长期闭环和重定位的稳定性。本文提出的SEVIS在仿真和实验中都得到了广泛的验证。

    03

    ∇SLAM:自动可微分SLAM

    将表示学习方法与同时定位和建图(SLAM)系统相结合是一个开放的问题,因为它们的高度模块化和复杂性.在功能上,SLAM是一种将原始传感器输入转换成机器人和环境状态分布的操作.如果这种转换(SLAM)可以表达为一个可微函数,我们可以利用基于任务的错误信号来学习优化任务性能的表示.然而,典型的稠密SLAM系统的几个组件是不可区分的.在这项工作中,我们提出了∇SLAM(gradSLAM),一种方法提出SLAM系统作为可微分的计算图,它统一了基于梯度的学习和SLAM.我们提出了可区分的信赖域优化器、表面测量和融合方案以及光线投射,而不牺牲精度.这种稠密的SLAM与计算图形的融合使我们能够从3D地图一路回溯到2D像素,为基于梯度的SLAM学习开辟了新的可能性.

    01

    宜泊科技杨涛:无人值守后,智慧停车将进入「车位级运营」时代 | 镁客·请讲

    图 | 宜泊科技 技术总监杨涛 在杨涛看来,停车场的无人化管理正逐步进入“红海竞争”,下一步就该思考如何打出“差异化”了。 作者 | 来自镁客星球的韩璐 想必你也有过这种体验,只是去商场简单吃顿饭,却为了找一个车位而开着车在停车场绕了几圈,甚至还需要眼观六路、耳听八方,才能抢到一个刚挪出来的车位…… 原本找车位就已经很难了,但“历劫”还没有结束。如果你将车停在一个大的停车场,碰巧车停得远、方向感又不是很好的话,仅仅是找车,可能又得花上不少时间。 而现在,已经有企业瞄准了这些痛点,将AI、大数据等技术从出入口

    01
    领券