发表服务
经典VIO系统-基于优化现将所有论文整理下来，提供给大家，希望对大家的学习工作有所帮助。领取方式一：联系班主任网盘近期时不时地失效或者被删除，稳妥起见，可以直接联系学院VIO课程工作人员-新月（微信：shenlan_xinyue），备注“知乎”，领取论文集。
求解VIO初始化过程中所有的参数，该论文在ORBSLAMVIO的框架下加入了外参数的标定。外参数旋转和平移的计算则参考沈老师的他们的做法。2017年IROS,Inertial-BasedScaleEstimationforStructurefromMotiononMobileDevices.
ICRA2019年部分论文（题目中包含SLAM或Visual-Inertial的），共计61篇，其中有两篇ICRA2018的论文，作为补充材料也列入了文档中，这篇博客将持续更新直至将全部论文阅读完毕。
VIO主要尝试的是融合Viusal和IMU的信息，因此后面的论述中也就主要考虑这两种数据。2.Filter-based利用滤波的方法进行多传感器的数据融合是一个很正常的套路。按照是否把图像特征信息加入特征向量来进行分类，可以分为紧耦合和松耦合。2.1紧耦合
双目VIO比单目VIO效果要更好也更稳定，不过加入IMU的版本均不如原始双目版本的精度。应该是原始VO的优化已经比较彻底，IMU误差项的加入给优化结果造成了更多的不稳定性。这一点在作者论文中也能看到，加入IMU的版本并没有比原始单目精度更
并且该算法在JestonTX2上达到了1000fps。另外经过试验，将本文算法集成到VIO中，可以达到200fps的水平。本文算法将非极大值抑制和特征检测进行融合，不仅保证特征在图像上的均匀分布，而且性能超过了现在已有的算法。下面是论文具体框架结构以及实验
经典VIO系统-基于优化现将所有论文整理下来，提供给大家，希望对大家的学习工作有所帮助。领取方式一：联系班主任网盘近期时不时地失效或者被删除，稳妥起见，可以直接联系学院VIO课程工作人员-新月（微信：shenlan_xinyue），备注“知乎”，领取论文集。
求解VIO初始化过程中所有的参数，该论文在ORBSLAMVIO的框架下加入了外参数的标定。外参数旋转和平移的计算则参考沈老师的他们的做法。2017年IROS,Inertial-BasedScaleEstimationforStructurefromMotiononMobileDevices.
ICRA2019年部分论文（题目中包含SLAM或Visual-Inertial的），共计61篇，其中有两篇ICRA2018的论文，作为补充材料也列入了文档中，这篇博客将持续更新直至将全部论文阅读完毕。
VIO主要尝试的是融合Viusal和IMU的信息，因此后面的论述中也就主要考虑这两种数据。2.Filter-based利用滤波的方法进行多传感器的数据融合是一个很正常的套路。按照是否把图像特征信息加入特征向量来进行分类，可以分为紧耦合和松耦合。2.1紧耦合
双目VIO比单目VIO效果要更好也更稳定，不过加入IMU的版本均不如原始双目版本的精度。应该是原始VO的优化已经比较彻底，IMU误差项的加入给优化结果造成了更多的不稳定性。这一点在作者论文中也能看到，加入IMU的版本并没有比原始单目精度更
并且该算法在JestonTX2上达到了1000fps。另外经过试验，将本文算法集成到VIO中，可以达到200fps的水平。本文算法将非极大值抑制和特征检测进行融合，不仅保证特征在图像上的均匀分布，而且性能超过了现在已有的算法。下面是论文具体框架结构以及实验
发表服务