LVI-SAM 在香港城市数据集UrbanNav的效果

数据集链接: GitHub - weisongwen/UrbanNavDataset: UrbanNav: an Open-Sourcing Localization Data Collected in Asian Urban Canyons, Including Tokyo and Hong Kong

我针对UrbanNav中2019bag的配置文件链接:

OdomConfig/lvi_sam/UrbanNavDataset at master · BayRanger/OdomConfig · GitHub

实验步骤:

1. 编译lvi-sam

2. 调整config/ 中相机内参,雷达,以及外参参数

3. rosbag run起来

4. 结果

从直观感受,lvi和lio-sam成图效果没有明显区别,但是远好于vins-mono(论传感器的优越性),实际上,vins-mono在这一段数据会出现错误的回环检测,从而造成定位失效

LVI-SAM 在香港城市数据集UrbanNav的效果_第1张图片

图1 LIO 效果图

但是,对于细节的观察,与lio-sam相比,lvi-sam反而退步了...

LVI-SAM 在香港城市数据集UrbanNav的效果_第2张图片

图2 lVI 效果图

LVI-SAM 在香港城市数据集UrbanNav的效果_第3张图片

图 3:LIO-sam效果图(对比)

LVI-SAM 在香港城市数据集UrbanNav的效果_第4张图片

图 4:LVI-sam效果图(细节)

图 5:LIO-sam效果图(细节对比)

关于lvi sam占用资源的问题,本人在I7, 32G内存下跑是没有问题的,在跑的过程中cpu的占用率在50%作用,整体感觉lvi和lio在资源消耗是一个级别的.

看到实验结果,对于传感器融合感到一丝怀疑...在好的lidar和imu的面前(和imu),视觉的融合感觉有点鸡肋...

————————————————————————————————

后续的实验发现其实之前的实验结果时只有lio起作用时的效果,当vio被激活时,系统将无法正常的运行。

主要问题体现在:汽车静止时,vio反复重启;

在转弯时,里程计彻底失效。而考虑到lio在数据集中的效果,vio其实一直是在帮倒忙。

你可能感兴趣的:(自动驾驶,人工智能,机器学习)