Planar Odometry from a Radial Laser Scanner. A Range Flow-based Approach

视觉惯性同步硬件 作者： （ ），（ ） 1.说明 该项目旨在对摄像机和IMU进行硬件同步，以便它们都使用相同（毫秒级）的时基。 我们已经在Ubuntu16.04（ROS Kinetic）中测试了代码。 Arduino将为每个IMU测量（200 Hz）计算精确的（微秒）时间戳。 在某些时间戳（20 Hz）下，它将触发相机（通过触发线）以捕获新图像。 时间戳记和triggerCounter数据将被发送到PC（IMU节点）。 IMU节点将从Arduino接收IMU数据，并通过新的ROS TimeReference消息（主题/ imu / trigger_time）发布时间数据。 相机节点将订阅此时间数据，以为每个相机图像重建精确的时间。 因此，消息流将如下所示： IMU –> Arduino –> PC (ROS IMU node) –> ROS camera node 2.要求 2

视觉里程表 这是在上的OpenCV 3.4实现。 方法 2D-2D单眼VO和2D-3D立体声VO 实施细节 编译 在2目录中： mkdir build cd build cmake .. make 跑步 编译后，直接在构建中单核细胞增多症 ./vo [sequence ID] [dataset directory] 立体声 ./vo [sequence ID] [max frame] [optimize frame] [dataset directory] 表现

pose_estimation_odom：这是针对移动机器人的ROS软件包，该机器人使用三个节点通过里程表进行姿势和方向估计

使用车轮里程计进行本地化 该过滤器将器转换为标准。 它整合了相对的车轮编码器距离和航向。 假定车辆具有四轮编码器。 航向将根据左右轮的差值来计算。 附加的移动平均滤波器将用于平滑航向。 车辆模型基于Roland Siegwart和Illah R. Nourbaksh于2004年发表的《自主移动机器人简介》 （第186页及以下）。 可以使用“ UMBmark”校准技术来校准参数： UMBmark — J. Borenstein和L. Feng提出的一种用于测量，比较和校正移动机器人中死航误差的方法。 校准的另一种方法是使用 。 校准（第4.1.1章） 里程表计算（第4.2.1章） 作者

博客介绍https://blog.csdn.net/zhaohaowu/article/details/120889458 bag链接链接: https://pan.baidu.com/s/1uwIv9nLxm7FOPBVeKR4geQ 提取码: qfiq

百度云链接 联网下了2天太大了，下的真的不容易 https://s3.eu-central-1.amazonaws.com/avg-kitti/data_odometry_color.zip

8MATLAB代码为单目视觉测程与KITTI数据集。该方法的目的是利用连续图像之间丰富的信息关系，并利用最小的硬件，即单目视觉传感器来弥补错误的测距传感器。在这个项目中，我们实现了每个图像的特征检测、特征提取和特征匹配方法。还实现了单目视觉测程的流水线，并在KITTI数据集上测试了我们的实现。

EndoSLAM数据集和内窥镜视频的无监督单眼视觉测程和深度估计方法 EndoSLAM数据集概述 我们介绍了一种内窥镜SLAM数据集，该数据集既包含前体数据又包含合成数据。 数据集的离体部分包括标准和胶囊内窥镜记录。 数据集分为35个子数据集。 具体而言，分别存在结肠，小肠和胃的18、5和12个子数据集。 据作者所知，这是已发布的第一个用于胶囊内窥镜SLAM任务的数据集，具有定时6 DoF姿态数据和高精度3D地图地面真相 使用了两种不同的胶囊和传统的内窥镜相机，具有高分辨率和低分辨率，从而产生了不同的相机规格和照明条件。 来自不同相机的图像具有相同器官的不同分辨率和每个相关器官的深度，是所提出数据集的进一步独特功能。 我们还提供了两种类型的无线内窥镜的图像和姿态值，它们在某些方面彼此不同，例如相机分辨率，帧频以及用于检测Z线，十二指肠乳头和出血的诊断结果。 一些子数据集在两个版本中包

神经网络 | DeepVO:Towards End-to-End Visual Odometry-附件资源