AirSLAM 在公开数据集上的效果很不错，但在笔者自己录制的数据集上效果很差，具体如下： AirSLAM 使用 imu 和相机，定位漂移很大 而相同的外参在 vins-fusion 上的效果却还不错。 AirSLAM 仅使用双目，漂移小，较为正常 根据第一条和第三条信息，可以推断出是 imu 和相机之间的协调出了问题，可能的原因是: 时间基准不同：公开数据集的 imu 与 图像帧有硬件同步且参考同一个时间基准，而自己录制的数据集未作同步且不是同一个时间基准，而 vins-fusion 在运行过程中在线校准...
Realization of Online Temporal Calibration on AirSLAM
PL-CVIO: Point-Line Cooperative Visual-Inertial Odometry
PL-CVIO: Point-Line Cooperative Visual-Inertial Odometry 使用了点和线的多机协同里程计
state estimate back end
整体思路 状态估计的本质是最大后验估计，联合概率密度函数一步步转化到标量函数的和，最后线性化迭代求解。 \[\begin{align} P(X|Z) &\propto P(X|Z)P(Z) \\ &= P(Z|X)P(X) \\ &= P(X) \prod P(z_{i}|x_{\{j\}}) \end{align}\] 利用负对数将乘积转化为加法，我们称之为 损失函数，每一个 $h$ 称之为残差函数，而残差函数的输入是流形，但输出一般已经在欧式空间上了，因此可以使用最原始的加减符号： \[\begin{align}...
Total views. cowboys. Hits