Dense Planar-Inertial SLAM with Structural Constraints论文解读
摘要 本文中，我们提出了一个新的基于平面和IMU的稠密SLAM方法(DPI-SLAM)，IMU的预积分与稠密VO进行松耦合，与平面的观测进行紧耦合。位姿，速度以及IMU偏置与平面特征一起进行优化。使用的是iSAM2的优化方法。结合基于RGBD和IMU的里程计估计能够在没有充足平面的场景下进行位姿跟踪。将IMU的状态和平面的状态在全局优化中的建模能够降低漂移误差，提升建图性能。而且，相邻平面的结构约
相关文章
- 1. ICRA2018 SLAM论文
- 2. 论文翻译（下）：CNN-SLAM_ Real-Time Dense Monocular SLAM With Learned Depth Prediction
- 3. 论文翻译（上）：CNN-SLAM_ Real-Time Dense Monocular SLAM With Learned Depth Prediction
- 4. [论文解读]An Efficient Evolutionary Algorithm for Subset Selection with General Cost Constraints
- 5. 论文笔记-深度估计(7)-CNN-SLAM Real-time dense monocular SLAM with learned depth prediction
- 6. 论文解析 - SemanticFusion: Dense 3D Semantic Mapping with Convolutional Neural Networks
- 7. Action Recognition:iDT论文解读(Improved Dense Trajectories)
- 8. 论文解读Focal Loss for Dense Object Detection
- 9. [论文解读] DSD -- Dense-Sparse-Dense Training for Neural Network
- 10. Dense Visual SLAM with Probabilistic Surfel Map(PSM)
- 更多相关文章...
- • C# 文本文件的读写 - C#教程
- • SQL 约束（Constraints） - SQL 教程
- • JDK13 GA发布：5大特性解读
- • Scala 中文乱码解决
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. ICRA2018 SLAM论文
- 2. 论文翻译（下）：CNN-SLAM_ Real-Time Dense Monocular SLAM With Learned Depth Prediction
- 3. 论文翻译（上）：CNN-SLAM_ Real-Time Dense Monocular SLAM With Learned Depth Prediction
- 4. [论文解读]An Efficient Evolutionary Algorithm for Subset Selection with General Cost Constraints
- 5. 论文笔记-深度估计(7)-CNN-SLAM Real-time dense monocular SLAM with learned depth prediction
- 6. 论文解析 - SemanticFusion: Dense 3D Semantic Mapping with Convolutional Neural Networks
- 7. Action Recognition:iDT论文解读(Improved Dense Trajectories)
- 8. 论文解读Focal Loss for Dense Object Detection
- 9. [论文解读] DSD -- Dense-Sparse-Dense Training for Neural Network
- 10. Dense Visual SLAM with Probabilistic Surfel Map(PSM)