阿里云主机可以放几个网站行业网站网址

视觉惯性SLAM系统简介

相机（单目/双目/RGBD)与IMU结合起来就是视觉惯性，通常以单目/双目+IMU为主。
IMU里面有个小芯片可以测量角速度与加速度，可分为6轴(6个自由度)和9轴（9个自由度）IMU，具体的关于IMU的介绍可看上一篇。

视觉惯性SLAM应用

相机和IMU耦合的优势

• 在慢速和快速运动的输出上两者具有互补性

• 相机输出的是图像。相机在低速运动下能够稳定成像。而当相机高速运动时，不仅容易造成成像模糊，而且短时间内图像差异也较大。

• 而IMU输出的是加速度和角速度，在快速运动时才输出可靠的测量，缓慢运动时测量结果反而不可靠。
  

• 在使用场景上两者具有互补性

  • 对于相机来说成像是非常重要的：图像的特征提取和匹配和场景的纹理丰富程度、光照条件强相关，在遇到白墙、玻璃等弱纹理环境以及暗光条件下很难提取到可靠特征点。
  • 而IMU在这个场景没有此类问题。IMU不受视觉场景环境的能响，在该场景下IMU输出不受影响。IMU本身是个芯片，对场景没有视觉输出。
    

• 在确定绝对尺度方面两者具有互补性

  • 单目相机具有尺度不确定性。对于单目相机来说，无法获得绝对的尺度。如下图无法确定奥特曼和房子的真实尺度，可能同时都是模型，也可能奥特曼是人扮演的而房子是模型等。
  • 而通过单目和IMU的数据融合，可以得到绝对的尺度。
    • IMU中的加速度积分是速度，速度积分是位移。可以积分出来尺度（在多少时间内跑了多少），然后将IMU得到的尺度与视觉得到的尺度进行融合以得到绝对尺度。
      

• 在感知自身运动和环境变化方面两者具有互补性

  • 通过给定相机画面，很难判断出是相机在动，还是相机画面中的景色在动。

  • IMU则不同，如果车没有开，IMU就是静止的，理论上是没有输出的。
    

  • 在抑制漂移方面两者具有互补性
    常用的IMU误差很大，积分一段时间会产生很大的漂移。但图像的输出是稳定的（现在拍和隔一段时间拍基本是一样的），可以认为没有飘逸。

视觉惯性SLAM系统对比

• 优秀开源方案：VINS-Fusion(单双目+IMU)、OKVIS(单双日+IMU) 、ORB SLAM3(单双目+IMU/RGB-D)
• 开源方案对比

  • 目前主流的视觉和视觉惯性SLAM、VO系统对比
    

  • 在数据集上各VIO算法量化效果对比
    ORB-SLAM3是最佳的
    

  • ORB-SLAM3算法流程图