Visual Odometry : Part I -- The First 30 Years and Fundamentals

视觉里程计:第一部分---前30年的发展和理论基础。

 

视觉里程计是通过单个相机或多个相机作为输入估计自身运动的过程。应用领域涵盖机器人、可穿戴计算、增强现实和自动驾驶。Visual Odometry(VO)视觉里程计由Nister在2004年路标论文一中创造。这个名词和车轮测距非常类似,增量式地通过对车轮转过的圈数积分估计车辆的运动。同样的,视觉里程计使用板载相机检测图像运动变化增量式地估计车辆位姿。为了使视觉里程更有效,必须有足够的环境影像,具有足够纹理的静态图像可以提取运动特征。另外,需要捕捉连续的图像使场景重叠。


相比车辆测距,视觉里程计的优势是不受车轮在不平整地面或其他不良状况下滑动的影响。视觉里程计还提供了更为精确的轨迹估计,相对位置误差范围为0.1%到2%。这使得视觉里程成为车轮测距有益补充,还有其他导航系统,比如全球卫星定位系统GPS,惯性测量单元IMU,和镭射测距(与视觉里程类似,镭射测距通过连续的镭射扫描匹配车辆估计自身运动)。在GPS失效的环境下,比如水下或太空中,视觉里程计非常重要。


这个指南和综述分为两部分,详细介绍视觉里程计,已经从1980年到2011年间的研究。前20年大多是离线执行,在视觉里程计第一次用于火星探索时,第3个10年实时系统开始大量出现。第一部分指南,回顾了头30年该领域的研究及基础。简要地讨论了相机模型和标定,介绍了单目和双目的主要运动估计方法,分析了每种方法的优势和劣势。第二部分主要讲述特征匹配,鲁棒性和应用。它主要回顾了视觉里程计中的点特征检测和不同的无效数据(离群点)去除方案。重点讲述了RANSAC随机抽样一致性算法,讨论采用独特设计方法提高计算速度。其他的主题涵盖误差模型构建,位置识别(或闭环回路检测),捆集调整。


这个手册给没有经验和非专业用户提供了算法指南和参考用于构建完整的视觉里程系统。既然理想的或独一无二的适用各种工作环境的视觉里程计方案并不存在,那么最佳的方案应该要根据特定的导航环境和给定的运算资源仔细地选择。


2016年4月25日

 

Visual Odometry :Part II-- Matching, Robustness, Optimization, and Applications

视觉里程计:第二部分:匹配、鲁棒、优化和应用

.

21:32, May. 02'nd., 2016

Written By Admin

There are many variations of messsages of SLAM available.

View all posts by: Taylor Guo

Recent posts

MARCH 5, 2015
FINIBUS BONORUM MALORUM

Lorem ipsum dolor sit amet, consectetur adipisicing incididunt.

Read More
MARCH 1, 2015
FINIBUS BONORUM MALORUM

Lorem ipsum dolor sit amet, consectetur adipisicing incididunt.

Read More

Recent comments

MARCH 1, 2015

Admin

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua.

Copyright © 2016. QiQitek All rights reserved.