草莓奶忻的博客

文章目录论文信息摘要1.引言A. 机器人与人类B. 通过通用计算提高效率C. 通过专用计算提高效率D. 贡献II. 相关工作A. 神经科学和心理学中的注意力与显著性B. 机器人与计算机视觉中的特征选择C. 传感器调度与子模块性D. 视觉惯性导航E. 符号III. VIN 中的注意力机制A. 基于任务的VIN性能指标B. 最坏情况估计误差C. 置信椭球的体积和平均半径D. 概率特征轨迹E. 前向模拟模型注意力分配：算法和性能保证A.凸松弛B.凸松弛的性能保证C.贪婪算法与惰性求值贪婪算法的性能保证实验A.贪婪

摘要—本文提出了一种使用真实数据对惯性测量单元（IMU）陀螺仪去噪的学习方法，并在航位推算中实时估计机器人的姿态。所获得的算法在（未见过的）测试序列上超越了现有的最先进方法。这些性能得益于精心选择的模型、适用于姿态增量的合适损失函数，以及在高频惯性数据训练中的关键点识别。我们的方法基于扩张卷积的神经网络，无需任何递归神经网络。我们在EuRoC和TUM-VI数据集上展示了该策略在三维姿态估计中的高效性。令人感兴趣的是，我们的航位推算算法在姿态估计方面优于顶级的视觉-惯性里程计系统，即使它并未使用视觉传感器。

文章目录论文信息摘要1.引言论文信息论文题目：论文地址：发表期刊：开源代码：摘要1.引言

我们首次将视觉-惯性初始化建模为最大后验（MAP）估计意义下的最优估计问题。这使我们能够正确考虑IMU测量的不确定性，而以往的方法则忽略了这一点，通常是通过求解代数方程组或使用最小二乘法最小化特定的代价函数来实现。我们在EuRoC数据集上进行的详尽初始化测试表明，我们的方案在性能上显著优于文献中的最佳方法，能够在轨迹的几乎任何位置完成初始化，耗时不到4秒，平均尺度误差为5.3%。该初始化已集成到ORB-SLAM视觉-惯性系统中，提升了其稳健性和效率，同时保持了其出色的准确性。

本文介绍了ORB-SLAM3，这是第一个能够执行视觉、视觉-惯性及多地图SLAM的系统，支持单目、立体和RGB-D摄像头，并使用针孔及鱼眼镜头模型。首个主要创新是一个紧密集成的视觉-惯性SLAM系统，它完全依赖于最大后验估计（MAP），即使在IMU初始化期间也能保持实时的稳健操作，无论是在小型还是大型、室内还是室外环境中，其精确度比以往方法提高了两到十倍。

论文评价可创新点局部特征匹配在计算机视觉领域有着广泛的应用，包括图像检索、3D重建和物体识别等领域。然而，由于视点和光照变化等因素，在提高匹配的准确性和鲁棒性方面仍然存在挑战。近年来，深度学习模型的引入引发了对局部特征匹配技术的广泛探索。这一努力的目标是提供一个全面的局部特征匹配方法概述。这些方法根据检测器的存在分为两个关键部分。基于检测器的类别包括检测-然后描述、联合检测和描述、描述-然后检测以及基于图的技术。相比之下，无检测器类别包括基于CNN的，基于变压器的和基于CNN的方法。