注意：不支持Ubuntu 16.04及更低版本 FAST-LIO 2.0 将于2021年3月底发射。 新的功能： 更快更好 更高的频率； 更多的LiDAR支持（Horizo​​n和Ouster 64）； 支持基于ARM的嵌入式平台。 FAST-LIO FAST-LIO （快速LiDAR惯性里程计）是一种计算效率高且功能强大的LiDAR惯性里程计套件。它使用紧密耦合的迭代扩展卡尔曼滤波器将LiDAR特征点与IMU数据融合在一起，从而在发生退化的快速运动，嘈杂或混乱的环境中实现强大的导航能力。我们的软件包解决了许多关键问题： 快速迭代的卡尔曼滤波器，用于里程计优化； 在最稳定的环境下自动初始化； 并行KD-Tree搜索以减少计算量； 强大的特征提取； 开发者 ：激光贴图和姿势优化； ：特征提取。 要了解更多详细信息，请参阅我们的相关文章：） 我们的相关论文：现在可以在arxiv上获得我

Monocular Event Visual Inertial Odometry based on Event-corner using Sliding Windows Graph-based Optimization 基于事件相机的单目视觉惯性里程计

matlab 不运行一段代码

Matlab集成的c代码视觉测距单眼管道 目录 介绍 该项目是在苏黎世联邦理工学院（移动机器人的视觉算法）[]课程中学习的所有概念的集合。 特别是，在锻炼过程中开发的构建基块已经过改进和组装，以构建单眼视觉里程计管道，并获得了非常令人满意的结果。 入门 先决条件 该代码已运行，并已通过MATLAB R2020b进行了测试。 需要以下许可证： 工具箱 image_toolbox Optimization_Toolbox statistics_toolbox video_and_image_blockset 在仿真结束时，已通过license('inuse')命令确定了上述工具箱集。 该代码是在所有工具箱都可以访问的情况下开发的。 正在安装 克隆仓库。 在以下内容中，假定存储库已克隆到/users/aterpin/visual-odometry-mono 。 下载数据集（至少一个）。 您可以在“性能”部分的“数据集”小节中找到经过测试的产品。 ..一种。 备注：如果要使用自己的数据集，则可以扩展InputBlock类。 b。 我们将进一步假设您在名为/users/aterpin/data/

Gazebo上帝视角里程计 绝对里程计 service /gazebo/get_model_state 。

slam %和deg/100m评估工具

百度网盘共享，KITTI数据集。21.6个g只能百度网盘共享。

SfM学习者 该代码库实现了本文所述的系统： 通过视频无监督地学习深度和自我运动 ，，， 在CVPR 2017（口头）中。 有关更多详细信息，请参见。 如有任何疑问，请联系（ ）。 先决条件 该代码库是使用Tensorflow 1.0，CUDA 8.0和Ubuntu 16.04开发和测试的。 运行单视图深度演示 我们提供了用于运行我们的单视图深度预测模型的演示代码。 首先，通过运行以下命令下载预训练的模型 bash ./models/download_depth_model.sh 然后，您可以使用提供的ipython-notebook demo.ipynb来运行演示。 准备训练数据 为

ist的matlab代码视觉惯性里程表 MSCKF（多状态约束扩展卡尔曼滤波器） 介绍： 用于移动平台（例如机器人）的姿态估计的视觉惯性测距法的MSCKF算法的实现和改进。 阅读以下文章： 技术细节： 本文采用的当前方法缺乏重要的统计不一致之处。 报告中将详细讨论这种不一致之处，可以根据要求提供此不一致之处。 可以在SourceCode部分中找到源代码。 如果您遇到问题，请在问题中让我知道。

视觉里程计的综述文章