典型文献
基于时空双流卷积和长短期记忆网络的松耦合视觉惯性里程计
文献摘要：
传统的松耦合视觉惯性里程计需要标定噪声和偏置等参数,而端到端学习的方法耦合性高、普适性低.因此,本文提出了一种由长短期记忆网络融合的端到端松耦合视觉惯性里程计EE-LCVIO(End-to-End Loosely Coupled Visual-Inertial Odometry).首先,在相机位姿和IMU融合部分,构建了一个时序缓存器和由一维卷积神经网络和长短期记忆网络相结合的融合网络;其次,为了解决现有单目深度视觉里程计难以利用长序列时域信息的问题,通过使用相邻图像对和帧间密集光流作为输入,设计了一种基于时空双流卷积的视觉里程计TSVO(Visual Odometry with Spatial-Temporal Two-Stream Networks).与 DeepVO 最多只能利用 5 帧图像信息相比,本文提出的视觉里程计可以利用连续10帧图像的时序信息.在KITTI和EUROC数据集上的定性和定量实验表明,TSVO在平移和旋转方面超过了 DeepVO的44.6％和43.3％,同时,在传感器数据没有紧密同步的情况下,本文的视觉惯性里程计 EE-LCVIO 优于传统单目 OKVIS(Open Keyframe-based Visual-Inertial SLAM)的 78.7％和 31.3％,鲁棒性高.与现有单目深度视觉惯性里程计VINet相比,EE-LCVIO获得了可接受的位姿精度,耦合性低,无需标定任何参数.
文献关键词：
视觉惯性里程计;双流融合;长短期记忆网络;松耦合;时序缓存器
中图分类号：
作者姓名：
赵鸿儒;乔秀全;谭志杰;李研;孙恒
作者机构：
北京邮电大学网络与交换技术国家重点实验室 北京100876;山西省交通规划勘察设计院有限公司BIM研发中心 太原 030012
文献出处：
引用格式：
[1]赵鸿儒;乔秀全;谭志杰;李研;孙恒-.基于时空双流卷积和长短期记忆网络的松耦合视觉惯性里程计)[J].计算机学报,2022(08):1674-1686
A类：
LCVIO,Odometry,时序缓存器,密集光流,TSVO,DeepVO,EUROC,Keyframe,VINet
B类：
长短期记忆网络,松耦合,视觉惯性里程计,偏置,端到端,耦合性,网络融合,EE,End,Loosely,Coupled,Visual,Inertial,机位,位姿,IMU,一维卷积神经网络,融合网络,单目深度,深度视觉,视觉里程计,时域信息,Spatial,Temporal,Two,Stream,Networks,多只,图像信息,时序信息,KITTI,定性和定量,定量实验,平移,传感器数据,OKVIS,Open,SLAM,双流融合
AB值：
0.244334
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
