Hybrid IMU-Aided Approach for Optimized Visual Odometry
Notice bibliographique
Résumé
Autonomous navigation of unmanned vehicles in GPS-denied environments is a challenging problem, especially for small ground vehicles and micro aerial vehicles (MAVs) which are characterized by their small payload, short battery lifetime and limited processing resources. Stereo vision positioning has been introduced as a scale-free positioning technique, but it is computationally expensive. Monocular vision systems aided by inertial measurement unit (IMU) are more computationally efficient but it suffers from IMU random biases and scale errors. In this paper, we propose a hybrid visual-inertial odometry solution that minimizes the computation load by dividing the mission into two interchangeable stages. Firstly, a stereo vision stage in which a loosely coupled integration between stereo cameras and IMU is performed. In this stage, an extended Kalman filter (EKF) is used to automatically and dynamically estimate IMU biases. Once the IMU is calibrated, a monocular stage is activated where the system is downgraded into single camera getting the motion scale from the calibrated IMU. The proposed solution has been tested using the popular IMU-enabled ZED-Mini tracking camera. We compared our stereo vision solution against the IMU-aided monocular solution and the results showed accurate positioning with the advantage of less computation. Further analysis is provided where we compared our solution with the built-in solutions of the ZED Mini camera and the Intel Realsense T265 tracking camera.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».