BriefGPT - AI 论文速递
·
无标记移动增强现实的视觉惯性测距约束下的稳健定位
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种无监督深度神经网络方法，用于融合RGB-D图像和惯性测量进行绝对轨迹估计。该网络学习整合IMU测量并生成假设轨迹，然后根据像素坐标的投影误差进行在线更正。在KITTI Odometry数据集上与最先进的视觉惯性测距、视觉测距和VSLAM方法进行了比较，表现出有竞争力的测距性能。
🎯
关键要点
- 本研究提出了一种无监督深度神经网络方法，用于融合RGB-D图像和惯性测量进行绝对轨迹估计。
- 该网络在没有IMU固有参数或IMU与相机之间的外部校准的情况下进行学习。
- 网络学习整合IMU测量并生成假设轨迹，随后进行在线更正。
- 更正基于空间像素坐标的缩放图像投影误差的雅可比矩阵。
- 在KITTI Odometry数据集上与先进的视觉惯性测距、视觉测距和VSLAM方法进行了比较。
- 该方法表现出有竞争力的测距性能。
➡️
