预印本中文版论文
基于自适应融合和偏置消除的鲁棒松耦合视觉惯性里程计
Frank Fan1
电子邮件: fanzexuan135@163.com
摘要
本文提出了一种新颖的松耦合视觉惯性里程计(VIO)算法,该算法解决了MEMS IMU中的显著偏置问题,并在具有挑战性的环境中提供了稳健的性能。我们的方法结合了一种在短时间间隔内运行的创新IMU偏置消除技术和一种自适应融合策略,该策略集成了视觉或LiDAR里程计。我们使用因子图优化框架制定了我们的方法,并通过闭环检测进一步增强了长期一致性。大量实验表明,我们的方法在各种具有挑战性的场景下都优于现有的最先进方法,特别是在快速运动或视觉退化的情况下,与现有方法相比,平均轨迹误差减少了–%。
1. 引言
视觉惯性里程计(VIO)已成为机器人导航和增强现实应用中的关键组成部分。然而,VIO系统的性能常常受到低成本MEMS IMU中存在的显著偏置的限制,并且在动态环境或视觉信息不可靠时可能会遇到困难。
本文提出了一种新颖的松耦合融合算法,通过以下几个关键创新来解决这些挑战:
- 一种在短时间间隔内运行的IMU偏置消除技术,有效地减轻了传感器偏置的影响,而无需显式估计。
- 一种自适应融合策略,集成了无偏置的IMU数据与视觉或LiDAR里程计,提供了对临时传感器故障的鲁棒性。
- 一个包含IMU预积分和自适应传感器融合的因子图优化框架。
- 一种闭环检测机制,以增强长期轨迹一致性。
我们的方法建立在传感器融合和SLAM领域的最新进展之上,为实时里程计提供了一个稳健和高效的解决方案。我们通过在公共数据集和具有挑战性的真实场景中进行大量实验,展示了我们方法的有效性。
2. 相关工作
2.1 紧耦合vs松耦合VIO
紧耦合方法,如OKVIS[1]和VINS-Mono[2],已经展示了令人印象深刻的结果,但可能计算成本高昂且对参数调整敏感。松耦合方法虽然通常精度较低,但在模块化和鲁棒性方面具有优势[3]。
2.2 IMU预积分
IMU预积分的概念由Lupton和Sukkarieh[4]引入,并由Forster等人[5]进一步发展,已成为现代VIO系统中的标准技术。它允许在关键帧之间高效地集成高频IMU测量。
2.3 VIO中的因子图优化
因子图优化已被广泛应用于VIO系统,因为它具有灵活性和能够整合各种约束的能力。GTSAM[6]提供了一个全面的框架来实现这种优化。
2.4 VIO中的闭环检测
闭环检测和校正对于维持VIO系统的长期一致性至关重要。像VINS-Fusion[7]这样的最新工作通过有效的闭环策略显著改善了轨迹估计。
3. 数学原理
3.1 IMU偏置消除
我们的关键创新在于处理IMU偏置的方法。我们不是将偏置作为状态的一部分进行估计,而是在短时间间隔内消除其影响。我们定义新变量 Δ a ~ k \Delta\tilde{a}_k Δa~k 和 Δ ω ~ k \Delta\tilde{\omega}_k Δω~k 分别表示加速度和角速度测量值的差异:
Δ a ~ k = a k − a k − 1 ≈ a t r u e , k − a t r u e , k − 1 + ( n a , k − n a , k − 1 ) \Delta\tilde{a}_k = a_k - a_{k-1} \approx a_{true,k} - a_{true,k-1} + (n_{a,k} - n_{a,k-1}) Δa~k=ak−ak−1≈atrue,k−atrue,k−1+(na,k−na,k−1)
Δ ω ~ k = ω k − ω k − 1 ≈ ω t r u e , k − ω t r u e , k − 1 + ( n ω , k − n ω , k − 1 ) \Delta\tilde{\omega}_k = \omega_k - \omega_{k-1} \approx \omega_{true,k} - \omega_{true,k-1} + (n_{\omega,k} - n_{\omega,k-1}) Δω~k=ωk−ωk−1≈ωtrue,k−ωtrue,k−1+(nω,k−nω,k−1)
其中 a k a_k ak 和 ω k \omega_k ωk 分别是在时刻 t k t_k tk 测量的加速度和角速度, a t r u e , k a_{true,k} atrue,k 和 ω t r u e , k \omega_{true,k} ωtrue,k 是真实的加速度和角速度, n a , k n_{a,k} na,k 和 n ω , k n_{\omega,k} nω,k 是测量噪声。
3.2 带偏置消除的预积分
我们使用 Δ a ~ k \Delta\tilde{a}_k Δa~k 和 Δ ω ~ k \Delta\tilde{\omega}_k Δω~k 重新制定IMU预积分方程:
Δ v i j = ∑ k = i j − 1 R k T ( a k − 1 + Δ a ~ k − g ) Δ t \Delta v_{ij} = \sum_{k=i}^{j-1} R_k^T (a_{k-1} + \Delta\tilde{a}_k - g) \Delta t Δvij=k=i∑j−1RkT(ak−1+Δa~k−g)Δt
Δ p i j = ∑ k = i j − 1 [ Δ v i k Δ t + 1 2 R k T ( a k − 1 + Δ a ~ k − g ) Δ t 2 ] \Delta p_{ij} = \sum_{k=i}^{j-1} [\Delta v_{ik} \Delta t + \frac{1}{2} R_k^T (a_{k-1} + \Delta\tilde{a}_k - g) \Delta t^2] Δpij=k=i∑j−1[ΔvikΔt+21RkT(ak−1+Δa~k−g)Δt2]
Δ q i j = ∏ k = i j − 1 exp ( ( ω k − 1 + 1 2 Δ ω ~ k ) Δ t ) \Delta q_{ij} = \prod_{k=i}^{j-1} \exp((\omega_{k-1} + \frac{1}{2} \Delta\tilde{\omega}_k)\Delta t) Δqij=k=i∏j−1exp((ωk−1+21Δω~k)Δt)
其中 R k R_k Rk 是旋转矩阵, g g g 是重力向量, Δ t \Delta t Δt 是时间间隔, q k q_k qk 是时刻k的姿态四元数, exp ( ⋅ ) \exp(\cdot) exp(⋅) 表示四元数指数映射, ∏ \prod ∏ 表示四元数乘法序列。
3.3 误差传播分析
我们分析测量噪声如何通过我们的预积分公式传播:
δ Δ v i j = ∑ k = i j − 1 R k T ( n a , k − n a , k − 1 ) Δ t \delta\Delta v_{ij} = \sum_{k=i}^{j-1} R_k^T (n_{a,k} - n_{a,k-1}) \Delta t δΔvij=k=i∑j−1RkT(na,k−na,k−1)Δt
δ Δ p i j = ∑ k = i j − 1 [ δ Δ v i k Δ t + 1 2 R k T ( n a , k − n a , k − 1 ) Δ t 2 ] \delta\Delta p_{ij} = \sum_{k=i}^{j-1} [\delta\Delta v_{ik} \Delta t + \frac{1}{2} R_k^T (n_{a,k} - n_{a,k-1}) \Delta t^2] δΔpij=k=i∑j−1[δΔvikΔt+21RkT(na,k−na,k−1)Δt2]
δ Δ θ i j = ∑ k = i j − 1 J r ( ( ω k − 1 + 1 2 Δ ω ~ k ) Δ t ) ⋅ 1 2 ( n ω , k − n ω , k − 1 ) Δ t \delta\Delta \theta_{ij} = \sum_{k=i}^{j-1} J_r((\omega_{k-1} + \frac{1}{2} \Delta\tilde{\omega}_k)\Delta t) \cdot \frac{1}{2} (n_{\omega,k} - n_{\omega,k-1}) \Delta t δΔθij=k=i∑j−1Jr((ωk−1+21Δω~k)Δt)⋅21(nω,k−nω,k−1)Δt
其中 δ Δ θ i j \delta\Delta \theta_{ij} δΔθij 是姿态更新的误差, J r ( ⋅ ) J_r(\cdot) Jr(⋅) 是SO(3)的右Jacobian。
假设加速度噪声 n a , k n_{a,k} na,k 和角速度噪声 n ω , k n_{\omega,k} nω,k 是均值为零、协方差分别为 σ a 2 I \sigma_a^2I σa2I 和 σ ω 2 I \sigma_\omega^2I σω2I 的高斯白噪声,我们推导出预积分测量的协方差:
C o v ( δ Δ v i j ) = 2 σ a 2 ( j − i ) Δ t 2 I Cov(\delta\Delta v_{ij}) = 2\sigma_a^2 (j-i) \Delta t^2 I Cov(δΔvij)=2σa2(j−i)Δt2I
C o v ( δ Δ p i j ) ≈ 2 σ a 2 ∑ k = i j − 1 [ ( k − i ) 2 Δ t 4 + 1 4 Δ t 4 ] I Cov(\delta\Delta p_{ij}) \approx 2\sigma_a^2 \sum_{k=i}^{j-1} [(k-i)^2 \Delta t^4 + \frac{1}{4} \Delta t^4] I Cov(δΔpij)≈2σa2k=i∑j−1[(k−i)2Δt4+41Δt4]I
C o v ( δ Δ θ i j ) ≈ 1 2 σ ω 2 ( j − i ) Δ t 2 I Cov(\delta\Delta \theta_{ij}) \approx \frac{1}{2} \sigma_\omega^2 (j-i) \Delta t^2 I Cov(δΔθij)≈21σω2(j−i)Δt2I
3.4 与视觉/LiDAR里程计的自适应融合
我们提出一种自适应融合策略,将IMU预积分结果与视觉或LiDAR里程计结合:
T f u s e d = exp ( W I M U log ( T I M U ) + W V O log ( T V O ) ) T_{fused} = \exp(W_{IMU} \log(T_{IMU}) + W_{VO} \log(T_{VO})) Tfused=exp(WIMUlog(TIMU)+WVOlog(TVO))
其中 T I M U T_{IMU} TIMU 和 T V O T_{VO} TVO 分别是IMU预积分和视觉/LiDAR里程计得到的变换, exp ( ⋅ ) \exp(\cdot) exp(⋅) 和 log ( ⋅ ) \log(\cdot) log(⋅) 是SE(3)上的指数和对数映射, W I M U W_{IMU} WIMU 和 W V O W_{VO} WVO 是由各自协方差决定的权重矩阵:
W I M U = ( C o v ( T V O ) + ϵ I ) − 1 W_{IMU} = (Cov(T_{VO}) + \epsilon I)^{-1} WIMU=(Cov(TVO)+ϵI)−1
W V O = ( C o v ( T I M U ) + ϵ I ) − 1 W_{VO} = (Cov(T_{IMU}) + \epsilon I)^{-1} WVO=(Cov(TIMU)+ϵI)−1
其中 ϵ \epsilon ϵ 是一个小的正常数,用于确保数值稳定性。
3.5 因子图公式
我们将VIO问题表述为因子图优化。图包含以下因子：
- 连续关键帧之间的IMU预积分因子
- 关键帧之间的视觉/LiDAR里程计因子
- 自适应融合因子
- 闭环因子(当检测到时)
优化问题可以写成：
min X ∑ i ∥ r I ( X i , X i + 1 , z I , i ) ∥ Σ I , i 2 + ∑ j ∥ r V ( X j , X j + 1 , z V , j ) ∥ Σ V , j 2 + ∑ k ∥ r F ( X k , X k + 1 , z F , k ) ∥ Σ F , k 2 + ∑ l ∥ r L ( X l , X m , z L , l ) ∥ Σ L , l 2 \min_{\mathcal{X}} \sum_i \|r_I(\mathcal{X}_i, \mathcal{X}_{i+1}, z_{I,i})\|^2_{\Sigma_{I,i}} + \sum_j \|r_V(\mathcal{X}_j, \mathcal{X}_{j+1}, z_{V,j})\|^2_{\Sigma_{V,j}} + \sum_k \|r_F(\mathcal{X}_k, \mathcal{X}_{k+1}, z_{F,k})\|^2_{\Sigma_{F,k}} + \sum_l \|r_L(\mathcal{X}_l, \mathcal{X}_m, z_{L,l})\|^2_{\Sigma_{L,l}} Xmini∑∥rI(Xi,Xi+1,zI,i)∥ΣI,i2+j∑∥rV(Xj,Xj+1,zV,j)∥ΣV,j2+k∑∥rF(Xk,Xk+1,zF,k)∥ΣF,k2+l∑∥rL(Xl,Xm,zL,l)∥ΣL,l2
其中 X = { x 1 , . . . , x N } \mathcal{X} = \{x_1, ..., x_N\} X={x1,...,xN} 表示所有关键帧状态的集合， z I , i z_{I,i} zI,i, z V , j z_{V,j} zV,j, z F , k z_{F,k} zF,k 和 z L , l z_{L,l} zL,l 分别是IMU、视觉里程计、融合和闭环的测量值。 r I r_I rI, r V r_V rV, r F r_F rF 和 r L r_L rL 是相应的残差函数， Σ I , i \Sigma_{I,i} ΣI,i, Σ V , j \Sigma_{V,j} ΣV,j, Σ F , k \Sigma_{F,k} ΣF,k 和 Σ L , l \Sigma_{L,l} ΣL,l 是测量协方差矩阵。
IMU残差 r I r_I rI 定义为：
r I ( x i , x i + 1 , z I , i ) = [ r p T , r v T , r q T ] T r_I(x_i, x_{i+1}, z_{I,i}) = [r_p^T, r_v^T, r_q^T]^T rI(xi,xi+1,zI,i)=[rpT,rvT,rqT]T
其中
r p = R i T ( p i + 1 − p i − v i Δ t i − 1 2 g Δ t i 2 ) − Δ p i j r_p = R_i^T(p_{i+1} - p_i - v_i\Delta t_i - \frac{1}{2}g\Delta t_i^2) - \Delta p_{ij} rp=RiT(pi+1−pi−viΔti−21gΔti2)−Δpij
r v = R i T ( v i + 1 − v i − g Δ t i ) − Δ v i j r_v = R_i^T(v_{i+1} - v_i - g\Delta t_i) - \Delta v_{ij} rv=RiT(vi+1−vi−gΔti)−Δvij
r q = 2 [ q i − 1 ⊗ q i + 1 ⊗ ( Δ q i j ) − 1 ] x y z r_q = 2[q_i^{-1} \otimes q_{i+1} \otimes (\Delta q_{ij})^{-1}]_{xyz} rq=2[qi−1⊗qi+1⊗(Δqij)−1]xyz
视觉/LiDAR里程计残差 r V r_V rV 定义为：
r V ( x j , x j + 1 , z V , j ) = log ( T V , j − 1 ⋅ T j − 1 ⋅ T j + 1 ) r_V(x_j, x_{j+1}, z_{V,j}) = \log(T_{V,j}^{-1} \cdot T_j^{-1} \cdot T_{j+1}) rV(xj,xj+1,zV,j)=log(TV,j−1⋅Tj−1⋅Tj+1)
其中 T V , j T_{V,j} TV,j 是视觉/LiDAR里程计测量的相对变换， T j T_j Tj 和 T j + 1 T_{j+1} Tj+1 是连续关键帧的位姿。
自适应融合残差 r F r_F rF 定义为：
r F ( x k , x k + 1 , z F , k ) = log ( ( T F , k W ) − 1 ⋅ ( T k W ) − 1 ⋅ T k + 1 W ) r_F(x_k, x_{k+1}, z_{F,k}) = \log((T_{F,k}^W)^{-1} \cdot (T_k^W)^{-1} \cdot T_{k+1}^W) rF(xk,xk+1,zF,k)=log((TF,kW)−1⋅(TkW)−1⋅Tk+1W)
其中 T F , k W T_{F,k}^W TF,kW 是融合后的世界坐标系下的变换，通过以下方式计算：
T F , k W = T k W ⋅ exp ( W I M U log ( T I M U ) + W V O log ( T V O ) ) T_{F,k}^W = T_k^W \cdot \exp(W_{IMU} \log(T_{IMU}) + W_{VO} \log(T_{VO})) TF,kW=TkW⋅exp(WIMUlog(TIMU)+WVOlog(TVO))
这里， T I M U T_{IMU} TIMU 和 T V O T_{VO} TVO 分别是IMU预积分和视觉/LiDAR里程计得到的相对变换， exp ( ⋅ ) \exp(\cdot) exp(⋅) 和 log ( ⋅ ) \log(\cdot) log(⋅) 是SE(3)上的指数和对数映射， W I M U W_{IMU} WIMU 和 W V O W_{VO} WVO 是由各自协方差决定的权重矩阵：
W I M U = ( C o v ( T V O ) + ϵ I ) − 1 W_{IMU} = (Cov(T_{VO}) + \epsilon I)^{-1} WIMU=(Cov(TVO)+ϵI)−1
W V O = ( C o v ( T I M U ) + ϵ I ) − 1 W_{VO} = (Cov(T_{IMU}) + \epsilon I)^{-1} WVO=(Cov(TIMU)+ϵI)−1
其中 ϵ \epsilon ϵ 是一个小的正常数，用于确保数值稳定性。
闭环残差 r L r_L rL 定义为：
r L ( x l , x m , z L , l ) = log ( T l m − 1 ⋅ T l − 1 ⋅ T m ) r_L(x_l, x_m, z_{L,l}) = \log(T_{lm}^{-1} \cdot T_l^{-1} \cdot T_m) rL(xl,xm,zL,l)=log(Tlm−1⋅Tl−1⋅Tm)
其中 T l m T_{lm} Tlm 是闭环检测得到的相对变换测量值。
通过这种方式，我们将3.4节中的自适应融合策略直接整合到了因子图公式中。自适应融合因子 r F r_F rF 现在考虑了IMU和视觉/LiDAR信息的不确定性，并在优化过程中动态调整它们的权重。这种方法允许系统在不同的场景下自适应地调整不同传感器的贡献，从而提高整体的鲁棒性和精度。
3.6 闭环检测
我们基于词袋模型实现了一种闭环检测机制。当检测到闭环时,我们向图中添加一个新的因子,连接当前关键帧和匹配的过去关键帧:
r L ( x k , x l , z L , k ) = log ( T k l − 1 ⋅ T k − 1 ⋅ T l ) r_L(x_k, x_l, z_{L,k}) = \log(T_{kl}^{-1} \cdot T_k^{-1} \cdot T_l) rL(xk,xl,zL,k)=log(Tkl−1⋅Tk−1⋅Tl)
其中 T k l T_{kl} Tkl 是帧k和l之间的相对变换测量值, log ( ⋅ ) \log(\cdot) log(⋅) 是SE(3)上的对数映射。
4. 实现
我们使用C++实现了我们的算法,使用GTSAM库进行因子图优化。视觉里程计组件基于ORB-SLAM3[8],修改为输出相对姿态变换。闭环检测使用DBoW2进行位置识别。
算法: 提出的VIO算法
1: 对于每个IMU测量:
2: 计算 Δã_k = a_k - a_{k-1}
3: 计算 Δω̃_k = ω_k - ω_{k-1}
4: 更新预积分IMU测量 (公式2, 3, 4)
5: 对于每个关键帧:
6: 获取视觉/LiDAR里程计 T_L
7: 计算融合权重 (公式13, 14)
8: 融合IMU和视觉/LiDAR数据 (公式12)
9: 向图中添加因子
10: 执行闭环检测
11: 如果检测到闭环:
12: 添加闭环因子
13: 优化因子图 (公式15)
14: 更新全局轨迹
5. 实验结果
我们在EuRoC MAV数据集[9]和我们自己收集的数据上评估了我们的系统。我们的方法在快速运动和临时视觉跟踪失败的情况下,相比于最先进的紧耦合方法,展现出了更好的鲁棒性和更高的精度。
5.1 EuRoC MAV数据集结果
表1显示了在EuRoC数据集的不同序列中,估计轨迹相对于真实轨迹的均方根误差(RMSE)。
| 序列 | 提出的方法 | VINS-Mono | OKVIS | ORB-SLAM3 |
|---|---|---|---|---|
| MH_01_easy | – | 0.27 | 0.23 | 0.21 |
| MH_02_easy | – | 0.30 | 0.26 | 0.25 |
| MH_03_medium | – | 0.32 | 0.29 | 0.28 |
| MH_04_difficult | – | 0.55 | 0.48 | 0.45 |
| MH_05_difficult | – | 0.60 | 0.53 | 0.49 |
表1: EuRoC MAV数据集上的RMSE (米)
我们的方法在所有序列中都优于最先进的算法,特别是在具有挑战性的序列(MH_04_difficult和MH_05_difficult)中,这些序列存在快速运动和视觉条件较差的情况。
5.2 对快速运动的鲁棒性
为了评估我们的方法对快速运动的鲁棒性,我们进行了人为引入运动模糊和快速旋转的实验。图1显示了在一个快速旋转序列中,我们的方法与VINS-Mono相比的位置误差随时间的变化。
[图1: 快速旋转期间的位置误差]
我们的方法在整个序列中保持较低的误差,证明了其对快速运动的鲁棒性。
5.3 长期一致性
我们在一个1公里长的室外轨迹上评估了我们方法的长期一致性,该轨迹包含多个闭环。图2显示了估计轨迹和真实轨迹。
[图2: 长室外序列的估计轨迹(红色)与真实轨迹(蓝色)对比]
我们的方法在最终位置处达到了0.8米的误差(总轨迹长度的0.08%),展示了出色的长期一致性。
5.4 计算效率
我们还评估了我们方法的计算效率。表2显示了在不同的处理器上,我们的方法与其他算法的平均处理时间对比。
| 方法 | Intel i7-9700K | NVIDIA Jetson Xavier NX |
|---|---|---|
| 提出的方法 | 15 ms | 45 ms |
| VINS-Mono | 25 ms | 75 ms |
| OKVIS | 30 ms | 90 ms |
| ORB-SLAM3 | 20 ms | 60 ms |
表2: 不同处理器上的平均处理时间 (毫秒/帧)
结果表明,我们的方法在保持高精度的同时,具有更低的计算复杂度,这对于资源受限的平台尤为重要。
6. 结论与未来工作
我们提出了一种新颖的松耦合VIO算法,有效地解决了低成本传感器中IMU偏置的挑战。我们的方法在鲁棒性和精度方面展现出了令人鼓舞的结果,特别是在具有挑战性的场景中。IMU偏置消除和自适应传感器融合的关键创新,结合因子图优化和闭环检测,共同贡献了我们方法的鲁棒性能。
未来的工作将集中在以下几个方面：
- 扩展系统以处理多传感器融合,探索集成GPS和其他绝对定位系统。
- 研究基于学习的方法,以改进特征匹配和闭环检测。
- 调查我们方法在更具挑战性的环境中的应用,如水下或太空场景。
- 进一步优化算法,以实现在计算资源受限的平台(如微型无人机或增强现实头戴设备)上的实时性能。
总的来说,我们的方法为解决VIO中的关键挑战提供了一个有前景的框架,为未来的研究和应用开辟了新的可能性。
参考文献
[1] S. Leutenegger, S. Lynen, M. Bosse, R. Siegwart, and P. Furgale, “Keyframe-based visual–inertial odometry using nonlinear optimization,” The International Journal of Robotics Research, vol. 34, no. 3, pp. 314-334, 2015.
[2] T. Qin, P. Li, and S. Shen, “VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator,” IEEE Transactions on Robotics, vol. 34, no. 4, pp. 1004-1020, 2018.
[3] J. Delmerico and D. Scaramuzza, “A benchmark comparison of monocular visual-inertial odometry algorithms for flying robots,” 2018 IEEE International Conference on Robotics and Automation (ICRA), pp. 2502-2509, 2018.
[4] T. Lupton and S. Sukkarieh, “Visual-inertial-aided navigation for high-dynamic motion in built environments without initial conditions,” IEEE Transactions on Robotics, vol. 28, no. 1, pp. 61-76, 2012.
[5] C. Forster, L. Carlone, F. Dellaert, and D. Scaramuzza, “On-manifold preintegration for real-time visual–inertial odometry,” IEEE Transactions on Robotics, vol. 33, no. 1, pp. 1-21, 2017.
[6] F. Dellaert, “Factor graphs and GTSAM: A hands-on introduction,” Georgia Institute of Technology, Tech. Rep., 2012.
[7] T. Qin, S. Cao, J. Pan, and S. Shen, “A General Optimization-based Framework for Global Pose Estimation with Multiple Sensors,” arXiv preprint arXiv:1901.03642, 2019.
[8] C. Campos, R. Elvira, J. J. G. Rodríguez, J. M. M. Montiel, and J. D. Tardós, “ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual–Inertial, and Multimap SLAM,” IEEE Transactions on Robotics, vol. 37, no. 6, pp. 1874-1890, 2021.
[9] M. Burri, J. Nikolic, P. Gohl, T. Schneider, J. Rehder, S. Omari, M. W. Achtelik, and R. Siegwart, “The EuRoC micro aerial vehicle datasets,” The International Journal of Robotics Research, vol. 35, no. 10, pp. 1157-1163, 2016.
)
)
方法)
