视觉里程计VIO，特征点法详细讲解，内涵自动驾驶学习系统学习资料。

视觉里程计VIO，总结。内含自动驾驶全套学习资料

针对传统视觉里程计在低纹理场景下,定位精度差甚至失效的问题,提出一种结合点线特征的RGB-D视觉里程计方法。该方法结合了点线特征各自独有的特性,同时联合点特征的光度误差和线特征的局部梯度适应性误差,构建了一个对低纹理场景鲁棒的联合误差函数。利用高斯-牛顿迭代法对联合误差函数进行非线性迭代优化,以获取相机每一帧的准确位姿。在公开的真实RGB-D数据集和合成基准测试数据集上对本文方法进行评估。实验结果表明,与其他先进算法相比,本文算法具有更优越的准确性和鲁棒性。

本文主要研究基于里程计和单目视觉传感器的地面车辆定位与地图构建问题。为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿态的随机约束来实现。本文提出了一种在se（2）上直接参数化地面车辆姿态的简单算法。该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿态和3d地标关联起来。对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。

视觉里程计（visual odometry）