论文阅读 LIMO: Lidar-Monocular Visual Odometry

简单来说,作者把lidar的深度信息引入传统的视觉导航系统中,从而获得了尺度和定位的精度提升和鲁棒性。

一些有趣的views:

  1. 双目的缺点在于其严重依赖于外参的标定精度

  2. 图像里的特征点往往位于边界,如直接用特征点附近的点云邻居来进行平面拟合获得深度信息,往往会出错。因而先进行histogram下的分隔后再进行平面拟合。
    论文阅读 LIMO: Lidar-Monocular Visual Odometry_第1张图片

  3. 作者把车周围的点云分为3类:

论文阅读 LIMO: Lidar-Monocular Visual Odometry_第2张图片

近点:对平移估计重要,但很难测量,因为光流很大

中点:对旋转和平移重要,随机选择部分来避免局部最优值

远点:对旋转重要,并便于追踪,但不能恢复平移量,因而取一部分

同时,作者使用语义信息来给不同的landmark附加权重,如树枝等权重很低,因为可能会动。

  1. 后端优化方程:包含了重投影误差,深度估计值与测量值之间的偏差,以及初始两帧之间的平移变化量

在这里插入图片描述

你可能感兴趣的:(论文阅读,定位,自动驾驶)