排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
针对单目视觉惯性定位系统在复杂环境和相机高动态条件下的实时性和高精度的需求，提出了一种基于加权预积分和快速初始化的惯性辅助单目前端模型Improved_VIO。首先同步视觉和惯性测量数据，建立高精度的IMU加权预积分模型，为联合初始化和视觉跟踪模型提供帧间运动约束；然后构建视觉惯性融合状态向量，建立联合初始化模型，实现视觉惯性松耦合的快速联合初始化；最后在IMU加权预积分和快速初始化方法的基础上，建立一套惯性辅助的视觉跟踪模型，从而有效提高系统定位精度。在EuRoC数据集上的试验结果表明，与传统视觉惯性定位前端模型相比，本文的前端模型提升了单目视觉惯性定位的精度与实时性，初始化时间缩短至10 s内，定位精度提高了约30%。 相似文献
2.
在恢复场景信息和相机运动时，传统的SLAM算法是基于静态环境假设的。场景中的动态物体会降低算法的稳健性和最终的定位精度。本文提出将基于深度学习的图像语义分割技术与传统的视觉SLAM算法结合，以减少动态物体对定位结果的干扰。首先，构建有监督的卷积神经网络对输入图像中的动态物体进行分割，获得语义图像；然后，从原始图像中提取特征点，并根据语义图像剔除动态物体特征点，保留静态物体特征点；最后，利用静态物体特征点采用基于特征点的单目视觉SLAM算法对相机运动进行跟踪。在ApolloScape自动驾驶数据集上的试验表明，与传统方法相比，本文算法在动态场景中定位精度提升约17%。 相似文献
1