来源：3D视觉工坊

在公众号「3D视觉工坊」后台，回复「原论文」可获取论文pdf、代码链接

添加微信：dddvision，备注：SLAM，拉你入群。文末附行业细分群

1. 写在前面

麻省理工对2019年发布的Kimera库进行了更新，实现了更好的特征跟踪、更有效的关键帧选择和各种输入模态，还优化了位姿图优化模块，还在各种平台上进行了测试。

下面一起来阅读一下这项工作~

2. 摘要

我们对开源的度量-语义视觉-惯性SLAM库Kimera进行了改进。特别地，我们增强了Kimera-VIO，为Kimera提供动力的视觉惯性里程计管道，以支持更好的特征跟踪，更有效的关键帧选择和各种输入模态(如单目、立体和RGB-D图像，以及轮式里程计)。此外，对Kimera的位姿图优化后端Kimera-RPGO和Kimera-PGMO进行了更新，以支持现代的异常值剔除方法- -特别是"逐点非凸"方法，以提高对虚假回环的鲁棒性。这些新特性在各种模拟和真实的机器人平台上进行了广泛的评估，包括无人机、四足机器人、轮式机器人和模拟自动驾驶汽车。我们将与几个最先进的视觉-惯性SLAM管道进行比较，并讨论新版本的Kimera的优势和劣势。

3. 测试平台

Kimera实验评估中使用的平台和数据集。( a ) Clearpath Jackal Robot (左)，Unitree A1四足机器人(右)。( b )手持式Jetson传感器钻机。( c ) uHumans2模拟器办公场景。( d ) CarSim模拟器场景。( e )无人驾驶汽车。

4. 实验结果

有、无轮速里程计的VIO精度，最佳结果以绿色突出显示，破折号表示Kimera在给定的配置下未能获得合理的轨迹。

在真实数据和模拟数据上，使用PCM和GNC进行回环外点剔除的VI - SLAM精度。

Kimera相对于Vins - Fusion的VIO定位精度。

Kimera和Vins -- Fusion、ORB - SLAM3的精度对比。

5. 总结

这篇文章介绍了Kimera2对Kimera的几项关键改进。包括对Kimera-VIO前端的修改，以支持额外的传感器模式(例如,单目、立体、RGB-D)，可选的外部里程计源，图像特征箱和更新的关键帧选择逻辑。还讨论了对后端的修改，将GNC作为鲁棒位姿图优化的异常值剔除方法。

对更多实验结果和文章细节感兴趣的读者，可以阅读一下论文原文~

下载

在公众号「3D视觉工坊」后台，回复「 3dcv」,即可获取工业3D视觉、SLAM、自动驾驶、三维重建、事件相机、无人机等近千余篇最新顶会论文；巴塞罗那自治大学和慕尼黑工业大学3D视觉和视觉导航精品课件；相机标定、结构光、三维重建、SLAM，深度估计、模型部署、3D目标检测等学习资料。

3D视觉方向交流群成立啦

目前工坊已经建立了3D视觉方向多个社群，包括SLAM、工业3D视觉、自动驾驶、三维重建、无人机方向，细分群包括：

[工业3D视觉]相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。

[SLAM]视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定、动态SLAM、MOT SLAM、NeRF SLAM、机器人导航等。

[自动驾驶]深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器、多传感器标定、多传感器融合、自动驾驶综合群等、3D目标检测、路径规划、轨迹预测、3D点云分割、模型部署、车道线检测、Occupancy、目标跟踪等。

[三维重建]NeRF、多视图几何、OpenMVS、MVSNet、colmap、纹理贴图等

[无人机]四旋翼建模、无人机飞控等

除了这些，还有求职、硬件选型、视觉产品落地、最新论文、3D视觉最新产品、3D视觉行业新闻等交流群

大家可以添加小助理微信：dddvisiona，备注：加群+方向+学校|公司, 小助理会拉你入群。