平行跟踪和控制垂直起落机身的映射

文摘

这项工作提出了一种基于视觉导航系统在垂直起飞和着陆无人机(UAV)。这是一个基于单眼视觉,同时定位和地图(大满贯)系统,衡量相机的位置和姿态,构建环境地图使用视频从一个相机。这不同于过去的大满贯的解决方案在无人机使用传感器,测量深度,如激光雷达、立体相机或深度相机。本文中提出的解决方案显著扩展和修改最近开源算法,解决了SLAM问题使用方法从根本上有别于传统的方法。提出的修改提供必要的位置测量无人机导航解决方案。这项工作的主要贡献包括:(1)扩展地图构建算法,使它的实际使用时控制无人机同时构建地图;(2)改善SLAM算法的性能降低相机帧速率;和(3)的第一个已知的示范单眼SLAM算法成功地控制无人机同时构建地图。这项工作表明,一个完全自主的无人机使用单眼视觉导航是可行的。

1。介绍

提高准确性、鲁棒性和实时处理能力的视频同步定位和映射(大满贯)最近做的一个可行的工具在导航无人机(uav)的解决方案。然而,获得一个精确的和健壮的SLAM解决方案只使用视频最近才被解决,而不是在某种程度上适合使用无人机。这些最近的解决方案需要大量修改用于在应用程序的导航要求强劲。然而,奖励成功使用这些应用程序的视频大满贯高因为建立导航可以提供一个非常负担得起的技术,目前因为视觉传感器有优于其他传感器用于成功的大满贯这些应用程序的解决方案。

工作由克莱因和莫里给出了一个新颖的方法来建立大满贯,他们称之为平行跟踪和映射(加以改进)。在加以改进,束调整(BA),而不是典型的过滤方法(1,2]。算法的精度和鲁棒性的设计的任何已知的实时SLAM算法相比基于过滤。打算等人比较性能的一个关键论文基于SLAM算法基于包过滤和SLAM算法调整(3]。我们的工作提供了一个修改版本城堡的实现加以改进的4),并行跟踪和多个映射(PTAMM),用于导航垂直起飞和着陆(垂直起落)无人机。PTAMM是可用的开源库。这个库适用于某些情况下,然而,没有重大修改,在其申请无人机导航非常有限。

最近成功使用大满贯实时导航小型垂直起落机身已经证明了它的潜力。然而,几乎所有的这些成功使用了大满贯基于传感器除了纯粹的视觉解决方案。例如,一些研究人员使用激光雷达在他们的解决方案包括Bachrach和他(5]。同样,甚至最近研究人员已成功地使用深度照相机返回一系列密集的像素对应像素看到的物体的距离。然而,足够小的深度相机和激光雷达进行一个小型无人机在非常有限的范围内(最多10米的顺序)。此外,当前版本的深度摄像头不能在户外使用,比简单的相机,更贵。

有几个例子,研究人员致力于视频大满贯无人机的控制权。作者只是意识到另一个成功使用单眼视频摔在无人机的指导,除此之外,这里介绍。其他成功的工作提出了Blosch et al。6),这表明PTAMM解决方案可以用于指导无人机。然而,在工作中,无人机移动一个距离非常有限,几乎没有旋转,在一个场景地图生成之前飞行。它并没有解决的问题建立地图在飞行。此外,Nutzi et al。7]提供了一个方法来估计规模加以利用的数据从一个惯性测量单元(IMU)。然而,本工作仅提供模拟和不记录任何实际的航班。其他类似的例子包括研究人员收集数据在飞行和后处理,离线(8- - - - - -10]。

在我们的工作中,PTAMM算法成功地修改导航解决方案的提供必要的位置测量垂直起降无人机同时构建地图。此外,它是用于飞行,大地图实时构造位置控制下的无人机飞行的唯一位置测量来自PTAMM导航解决方案。

2。原始PTAMM

本节概述的PTAMM算法。它是整个算法的概述;然而,它只给细节的部分修改,以提高算法的鲁棒性与垂直起落机用于导航。整个算法的详细描述,请参考[1,2,11]。

PTAMM构建环境的地图综合对象明显观察到拍摄的图像匹配特性从不同的视角。这些图片被称为关键帧。同时使用这张地图的三维特性来估计当前相机姿势通过寻找这些3 d功能的位置在当前图像。这是正常的PTAMM操作时处于跟踪状态。然而,PTAMM有三种状态(cf。图1):

(1)未初始化

(2)跟踪

(3)恢复。

未初始化的状态,在算法开始跟踪之前,创建一个初始的3 d地图功能使用两个帧。用户标志着这两个视频帧,这应当由一个已知的距离和观察同一个场景的一部分。这个已知距离集整个地图的规模。这些帧存储在该算法中使用前两个关键帧和跟踪状态。标记一个框架作为第一个关键帧后,快速算法(12)是用于检测功能。这些特性中寻找所有传入的帧。搜索使用补丁图像集中在一个功能之间的相关性。这些补丁是用来匹配整个输入的帧。如果图像块之间的相关性高于阈值,特征是宣布发现新框架。否则,它是排除在进一步处理。第二帧标记另一个框架后,所有的功能都成功地跟踪从第一到第二个关键帧是用来确定两者之间的单应性。单应性分解找到关键帧的姿势使用Faugeras Lustman算法(13]。相机位置之间的距离设置为用户预先定义的值。英航用于完善这两个相机的姿态和3 d功能的位置。一个纵向搜索然后跑到地图的大小增加找到更多匹配的快速特性两个关键帧。该算法然后移动到跟踪状态。

跟踪两个线程并行执行。第一个线程,追踪,使用存储在映射信息为当前帧找到相机的姿势。第二个线程,地图制作者,维护,扩展,提高地图中存储的信息的准确性。由两个线程执行任务的概述图所示2。

跟踪器使用两个阶段;第一次粗略估计摄像机方向和第二次精制估计的方向和位置。在第一阶段,相机定位估计通过摄像机运动模型或粗映像的最小化,叫做小模糊图像(SBI)。在默认模式中,印度国家银行,而不是使用运动模型。印度国家银行利用Benhimane和马里算法(14,15]大致估计相机方向相对于前一帧。这个粗略的估计是作为初始估计的主要跟踪算法。主要跟踪算法是基于发现图像补丁与3 d功能在当前视频帧。每个特性,可能是可见的(pv),本地搜索是在位置预测的3 d功能的投影到摄像机坐标系。这个投影使用的初始猜测当前相机定位在第一阶段的跟踪计算。减少搜索时间功能,只在当前帧位置明显特性被认为是一样快。提供旋转不变性,功能补丁扭曲因此相机姿态的估计。一旦图像模板匹配,一个最小化的过程提高了估计的摄像机构成与当前帧相关联。这最小化试图减少位置和实际之间的差异特征预测位置基于当前相机姿态估计。

地图制作者只运行英航当新的关键帧。关键帧添加使用归一化距离最近的关键帧。一个关键参数计算期间跟踪现场深度,这是平均距离的特性在当前帧中看到。归一化距离最近的关键帧是这个关键帧的距离除以场景深度。当相机是搬到一个新的位置,比预定的归一化距离进一步的任何现有关键帧,帧作为关键帧添加。

制图师维护和扩展的三维特性和关键帧的设置。当添加一个新的关键帧时,地图制作者使用一个新的关键帧和最近的现有关键帧之间的纵向搜索寻找新的特性匹配,分析扩展映射。英航然后执行这个新的关键帧和四个最近的邻国进一步细化的姿态和3 d功能的位置。然后,附加测量新的3 d功能的其他关键帧添加通过搜索匹配的快速特性。最后,英航运行与整个组关键帧和3 d功能。因为这英航更比跟踪算法计算量,它不能够运行在通常所需的帧速率。因此,地图制作者实现在一个单独的线程运行在低得多的频率跟踪器。

PTAMM还实现了一个恢复算法。复苏时触发跟踪检测的失败。对于每一帧,跟踪计算3 d功能成功的数量确定。在正常操作期间,大部分的特性在pv。然而,连续帧之间重大的改变减少数量的特性,因为预测功能图像中的位置不准确是由于初始姿势估计贫穷。同样,图像模糊减少数量的特性发现结果的特性被涂抹。这两个可能是由于快速相机运动,和帧间进行重大的改变也可以由有限的帧速率。没有足够数量的特性或有足够的错误匹配,追踪最小化失败和相机姿势估计飘离真正的价值。自跟踪当前帧的前一帧的使用姿势估计,重大损失在跟踪精度开始连锁效应,通常会导致跟踪失败。一旦关键跟踪条件被检测到,也就是说,当特征发现的数量特征的比例在pv低于一个阈值连续几帧算法停止依赖构成信息计算前一帧和PTAMM进入复苏。 The current frame is compared to the stored keyframes, and the best matching keyframe is selected. Comparison uses zero-mean sum of squared differences and works on subscaled versions of the frames. 2D transformation of the selected keyframe into the current frame is computed using Benhimane and Malis algorithm [14,15]。这个计算变换被用来估计一个3 d相机旋转,会导致计算的形象转换。初始位置的追踪运行等于选择关键帧的位置和初始旋转等于计算三维旋转。PTAMM恢复更快接近相机姿势时存储关键帧的姿势之一。

3所示。修改PTAMM导航地图构建

在本节中,我们描述修改PTAMM,为了使它更健壮的应用程序中的垂直起落机身的导航。首先,修改初始化算法描述的一部分。接下来,更改关键帧添加和匹配程序概述。

3.1。冲浪的初始化

在初始化期间,PTAMM使用correlation-based技术跟踪帧之间的功能随着相机从第一个第二个关键帧。这种方法非常容易出错的任何非光滑相机运动的结果特性被跟踪的数量迅速减少,迫使重启的过程。这样可以防止相机初始化的情况下需要旅行重要的距离以获得合理的立体声分离或当被一个飞行器运输。克莱恩和莫里16)确定这个问题,提出了一个两阶段的初始化。在第一阶段,跟踪使用一个关键帧,使用单应性操作。没有3 d信息附加特性,和相机并不准确。一旦相机离开第一个关键帧的位置,并有足够的立体声分离视图,该算法切换到正常模式。这种方法允许初始化甚至当摄像机运动不平稳;然而,它假定初始场景平面一般不真实。同时,设置场景规模体制不够健全的内部算法决定何时插入第二个关键帧。如果外部设备如GPS或气压测高计是用来设置规模,他们的测量可能不准确或准备好了。

我们选择来实现一个初始化程序使用冲浪(17特征检测器。捕获后第一个关键帧,冲浪功能本地化和算法等待用户移动相机和马克的另一个关键帧。不执行跟踪这两个关键帧之间,允许自由移动的摄像头。当用户添加另一个关键帧,冲浪再次执行发现和匹配特性。OpenCV的冲浪实现图书馆(18)是用于执行特征提取和高效的基于树的匹配,不依赖于初始估计的姿势。其余的初始化所得的原始算法。

3.2。快速扩张映射

扩展映射的算法PTAMM适用于移动一个对象而从不同位置观看或相机正在移动的方向。然而,它并不工作当新领域是被旋转。地图不能扩大通过简单地指向相机到未知场景的一部分,因为任何特性的立体视图需要定位。这为探索两个stereo-separated框架提出了挑战想象地图上未标明的部分场景需要扩大与3 d地图功能从这个未知场景的一部分。PTAMM试图扩大地图只有当添加一个新的关键帧。添加一个框架作为一种新的关键帧之前,确定所需算法(我)当前视频帧包含新的信息是否有用的算法(追踪)的一部分,(2)如果是的,这老应该使用关键帧匹配特性的新的关键帧(制图师)的一部分。

回答第一个问题,PTAMM使用归一化距离前一节中描述,回答第二个,它使用关键帧的最小的直线距离。无论哪种情况,可视角度考虑。这种方法限制了算法探索环境的能力。添加新特性会变得困难一旦一组初始的关键帧捕获,因为相机位置可能接近的至少一个关键帧已经设置,尽管当前视图可能看到一个明显不同的区域由于旋转。这可以防止快速和可靠的勘探,因为没有初始化的地区在地图上未标明的3 d功能。最后,使用最接近的关键帧匹配的限制,可能的立体声分离和最近的关键帧不一定有查看最大的重叠区域。我们建议修改变化的关键帧处理算法关注扩展映射。因此,探索变得更加容易。

添加一个新的关键帧的修改条件描述。该算法总是添加一个关键帧如果原始,基于距离的标准是满足。如果不是,可以添加一个新的关键帧基于摄像机观看的方向。所有关键帧的观察方向与规范化的门槛距离内用于添加关键帧。如果当前帧的观察方向之间的角度和观察方向的关键帧设置阈值以上所描述的,我们添加新的当前帧作为关键帧。查看方向之间的区别仅仅是一个代表他们两个向量之间的夹角。这个修改关键帧addition-matching的下一部分。最接近的关键帧可能没有显著的立体分离,不得有明显的重叠。修改描述的关键帧选择匹配。

确保有效的三角测量,只有关键帧有足够的分离应考虑当前帧的匹配。最大化的新的3 d功能添加到地图上未标明的区域,选择的关键帧算法应该有很大的重叠的候选帧在该地区缺失的功能。

两种方法来完成这一任务的实施和评估。在第一个,相机的最近的交点找到观察向量获得3 d点与摄像机之间的距离的位置到场景相比,深度的关键帧。预计点深度之间的差异和实际的深度作为质量措施。一个小差异表明,相机看类似的场景,因此最低的一个关键帧的区别是用于匹配。在第二个方法中,匹配是框架的扩展版本上运行。这利用快速的特性,已经发现跟踪的框架。的关键帧数目最多的匹配与选择候选帧匹配的全分辨率帧。

的实际评价两种方法显示,而第一种方法给出了瞬时的结果,第二种方法找到最好的关键帧匹配更频繁。第二种方法被选为默认实现。注意时间要求的第二种方法明显高于第一个。然而,额外计算请勿打扰跟踪是关键帧添加地图制作者线程的一部分,它不延迟跟踪器。图3显示一个新的关键帧,使用原始的关键帧选择匹配新算法。

4所示。修改处理低帧率的视频

因为我们打算应用PTAMM可能需要使用显著减少计算能力和一个内置的处理器,帧速率成为一个重要的考虑因素。在本节中,我们描述了算法的适应性,旨在允许成功跟踪即使连续帧的变化意义重大。虽然我们最初的实现导航使用的结果与PTAMM offboard处理视频,我们打算把这个机载处理器。处理能力降低导致帧的数量的减少,每秒可以处理。这反过来导致更多的跟踪器使用的连续帧之间的显著差异。这种现象进一步加剧,当突然加速度存在(例如,在狂风中)。大图连续帧之间的差异是导致跟踪失败。

估计摄像机定位用于种子跟踪器,本文方法使用它(SBI)指的是小模糊的图像。印度国家银行算法使用Benhimane和马里算法(14,15),运行在两帧内部氧化物和模糊版本的16倍。Benhimane和马里算法发现一个2 d变换(旋转和翻译)将当前帧的前一帧。返回的2 d转换用于最小化发现三维旋转。计算三维旋转应用于前一帧的姿势来计算当前帧的姿势。

PTAMM还包括一个初始姿态运动模型取代印度国家银行的估算算法。在我们的评估中,印度国家银行算法发现的行为更加可靠,尤其是当跟踪在更高的速度或方向运动时迅速改变。此外,它是默认的模式设定的PTAMM创造者。然而,当视频帧速率降低和摄像机运动是重要的,无论是方法种子跟踪器与一个好的方位估计和跟踪失败。我们描述两种方法,试图解决这个问题。

第一种方法使用外部测量传感器在测量角速率的飞机。大多数无人机身配有一个惯性测量单元(IMU),包括加速度计和陀螺仪,用于飞行稳定。陀螺仪提供旋转的角速率测量,,轴的物体固定坐标系。陀螺仪的输出数字相机帧之间的集成使用什么通常被称为“捷联式方程”导航社区。这提供了一个增量更新帧之间的取向,用于取代印度国家银行的算法。

第二种方法扩展了印度国家银行与多个起点算法通过播种它最小化。在印度国家银行的原始实现算法,Benhimane和马里算法运行一次的初始种子零旋转和零翻译。然而,由于该算法的计算成本低,它是可行的多次运行该算法在处理一帧不引起明显的时间延迟。因此,PTAMM修改Benhimane和马里算法的检测失败,打开一个“早期恢复模式”,这是种子初始值。

失败是发现基于代价函数的最终值。制定成本函数作为当前帧的图像强度之间的差异和前一帧转换下的二维变换估计。最终成本由逆总数的比例之间的重叠区域像素帧转换和候选人。如果它超过一个阈值失败。“早期恢复模式”运行Benhimane和马里算法从27个不同种子的2 d转换。这种转变包括三个变量:一个旋转和两个翻译。27个不同的值来自所有可能的组合的三个值的变量。的旋转可以值(−45^∘,0^∘+ 45^∘),的翻译可以值−1/3帧,0,+ 1/3帧。选择成本最低的解决方案作为种子基地主要最小化跟踪器。

我们还执行测试时默认的单粒最小化是允许10倍比原始PTAMM迭代实现。然而,测试结果(本文未显示)表明,增加迭代次数并不能提高追踪的结果表明最小化必须收敛于一个非全球最低。

5。跟踪性能评价

评估更改PTAMM,两个跟踪实验。第一个使用只有一个自由度运动,旋转运动阶段被用来产生一个已知的运动。然而,运动的参数如运动的速度和方向是容易改变不改变其他参数。第二个实验用徒手与6自由度运动。在两个实验中,所使用的所有数据创建PTAMM之前运行算法。

5.1。阶段的结果

相机在一个旋转舞台。舞台提供了一个通信协议,用于查询其取向。视频数据和舞台位置测量获取和存储在一个阶段包括旋转160度(cf图4)。在生成的数据集,每个视频帧的相应测量旋转舞台上分配给它。这允许模拟任意运动的单自由度的旋转舞台。旋转后的正弦波是用于评估。PTAMM视频输入修改使用存储图像。帧速率限制机制还补充说。此外,PTAMM运行创建并保存一个地图功能覆盖整个地区被相机在舞台上片,这样相同的地图是用于所有实验。

评价方法的使用陀螺仪测量需要这些测量的模拟。舞台上旋转测量用于这一目的。由于相机安装,舞台周围旋转对应的旋转轴在摄像机坐标系。从乌兹别克斯坦伊斯兰运动模拟测量,一个角速率是近似的轴使用角位置测量的不同的阶段,从仿真的时间。高斯白噪声被添加到这个近似,得到噪声的方差从机身上的IMU数据用于实验稍后讨论。

使用描述一系列的运行进行仿真设置评估PTAMM行为在不同的视频帧率。对于每一帧率,一个正弦旋转模拟和适当的视频帧被送入PTAMM。在所有情况下,运动的振幅是设置为80度;然而,正弦波的频率是不同的从0.05赫兹到1 Hz。这对应于平均角速度变化从约2.5度/秒到超过50度/秒。在开始测试之前,保存地图加载到PTAMM,锁定,以防止任何修改。运动序列开始,PTAMM被允许跟踪,持续30秒。对每一帧记录跟踪结果,特性的数量的比率pv的帧的数量特征作为性能指标。

四种算法进行了比较;两个标准PTAMM方法:运动模型和印度国家银行算法和提出的两种算法:陀螺仪测量的扩展印度国家银行算法和使用。实验的结果呈现在图5。在所有情况下,修改后的方法提高跟踪的能力估计相机带来较高的运动速度。较低的帧率改善更明显。方法使用陀螺仪的收益优势扩展印度国家银行在低帧率和高运动频率由于减少了重叠框架由运动引起的。

5.2。IMU的结果

另一个实验中使用的数据捕获在咄咄逼人的徒手画的相机运动。提供的视频输入和陀螺仪测量IMU与相机时间标记并保存在个人电脑。PTAMM地图场景的创建在运行测试之前和存储。捕获的视频序列输入PTAMM在不同的帧率。

结果呈现在图6。扩展印度国家银行执行比默认版本较低的帧率;然而,不同的是不像在前面的重要结果。制造跟踪执行很差,但是没有显示在图中,因为它在所有情况下都失败了。这可能是由于两个因素。不同的时间延迟遇到通信链路从相机和IMU可以创建一个从每个之间的时间偏移量数据。IMU的方向的估计相对于相机可能是不准确的。

6。PTAMM机身集成

集成的PTAMM机体用于测试涉及硬件和软件修改multirotor无人机。一个带注释的机身如图的照片7。在当前实现中,PTAMM解决方案上运行Linux操作系统的笔记本电脑,而不是飞机。因此,图像传输到地面直接通过以太网电缆或通过一个802.11 n无线收发器。相机是一个轴M1054, IP安全摄像头,分辨率设置像素在水平84度的视野。无线收发机能够传输超过每秒30帧的决议,这不是一个限制,因为PTAMM算法对笔记本电脑过程大约15到20帧每秒在正常操作。

原PTAMM软件使用鱼眼镜头畸变模型。然而,这是不适合我们的相机,因此一个更常见的二阶径向畸变多项式模型补充道。这包括添加一个封闭形式的解决方案提出畸变模型和迭代解的逆模型。

PTAMM算法与OpenPilot自动驾驶仪通信通过一个2.4 GHz串行通信收发器连接到INS的自动驾驶仪。OpenPilot系统是一个开放源代码自动驾驶仪与硬件组成主要的INS板、主控板,GPS接收器和2.4 GHz串行通信链路与地面站。INS董事会包含乌兹别克斯坦伊斯兰运动传感器和单片机,实现导航解决方案。作者造成了一些地区OpenPilot的发展,最重要的是导航的发展解决方案。

导航解决方案在OpenPilot INS的卡尔曼滤波器实现。需要使用硬件加速计测量和硬件速率陀螺测量的输入EFK动态系统建模。此外,它使用一个硬件磁力仪、GPS的位置、速度和GPS的测量系统的输出。使用的动态模型是一种6自由度的刚体运动学模型。当使用PTAMM导航解决方案,不使用GPS。相反,位置测量从PTAMM取代GPS位置测量,和没有使用速度测量。当使用PTAMM,磁力计不习惯,所以机身不可见的偏航角没有另一个测量。自从PTAMM和INS与四元数表示方向,最简单的解决方案是添加一个额外的INS /计量输出对应于元素的四元数。这个元素的四元数与偏航高度相关。

7所示。飞行测试

的探索和导航功能修改PTAMM算法在试飞验证。如图7,相机看起来水平安装在无人机。因此,旋转周围的无人机轴(偏航)点对场景的新部件。添加到地图特性在一个新的区域,PTAMM需要两张图片(帧)的区域分隔空间,允许一个立体视图。可以生成大地图在航班稳定控制使用导航解决方案产生的位置和偏航PTAMM测量。这样做是很容易修改,然而,很难与原算法。可能的常规移动和旋转相机扩展地图呈现在图8。地图是由进出的“圆”,与多个关键帧添加中心和两个关键帧添加边缘的“圆”。

图9显示了一个360度的全景场景在一个房子里。可以生成的地图几乎整个360度的视野而控制无人机PTAMM导航解决方案,同时构建地图。这样做是通过旋转和来回移动的距离大约四米。场的两个极端情况,发生了这个数字,大约25米和125米远的地方,飞行位置。尽管小立体声分离,只有部分的地图的无人机发展稳定性差时面临的最后领域最远的一个房子。

拿着无人机,整个360度地图用同样的方式生成。然而,在这种情况下,通过完整的旋转地图被关闭。无人机是随后飞使用这张地图的导航解决方案。可以使一个完整的360度旋转稳定控制和一米左右的位置偏差。虽然握着四人的位置并手动旋转360度,PTAMM位置的解决方案显示偏差约半米。这表明1米运动而被控制的一部分是由于扰动的动态响应PTAMM一半计位置错误的解决方案。

8。结论和建议

PTAMM的地图构建功能显著提高无人机导航的应用,和低帧率视频下的鲁棒性是提高了本文描述的修改。大满贯的解决方案是成功修改为导航提供必要的位置测量解决方案在一个垂直起降无人机同时构建地图。它被用于在大型地图构建航班实时位置下的无人机飞行控制与导航解决方案的唯一位置测量来自大满贯。的主要贡献包括:(1)扩展地图构建算法,使它实际使用在控制垂直起降无人机同时构建地图;(2)提高性能的低帧率;(3)首次演示一个单眼SLAM算法成功地控制无人机同时构建地图。本文中描述的工作表明,一个完全自主的无人机使用单眼视觉导航是可行的,尽管解决方案仍然需要改进的几个方面的实际应用和健壮的性能。

未来工作的单眼SLAM算法控制垂直起降无人机需要更健壮。这项工作可能包括两个主要方面:(1)移动到一个处理器上更紧密的与惯性测量传感器;(2)加强与控制系统的集成。例如,在某些情况下,添加一个新的关键帧后,地图变化显著,导致大扰动控制系统如果无人机控制这张地图。更紧密的集成控制系统和考虑这些影响会显著提高鲁棒性。

引用

1. g·克莱因和d·莫里“平行跟踪和映射为小型AR工作区,”学报第六届IEEE和ACM国际研讨会上混合和增强现实(ISMAR ' 07)2007年11月,日本奈良。视图:出版商的网站|谷歌学术搜索
2. g·克莱因和d·莫里“keyframe-based大满贯的敏捷性,改善”诉讼10日欧洲计算机视觉大会' 08)马赛,页802 - 815年,法国,2008年10月。视图:出版商的网站|谷歌学术搜索
3. h . Strasdat j·m·m·蒙特埃尔和a·j·戴维森”实时单眼大满贯:为什么过滤器?“在国际会议上人工现实和Telexistence学报》上2010年12月,澳大利亚阿德莱德。视图:谷歌学术搜索
4. r . o .城堡、g·克莱因和d . w . Murray”Video-rate定位在多个地图forwearable增强现实,”第12届IEEE国际研讨会上可穿戴计算机学报》(ISWC ' 08)美国宾夕法尼亚州匹兹堡,页15 - 22日,2008年9 ~ 10月。视图:出版商的网站|谷歌学术搜索
5. a . Bachrach r .他和n .罗伊“自治”在未知的室内环境中,国际期刊的微型飞行器1卷,第228 - 217页,2009年12月。视图:谷歌学术搜索
6. m . Blosch s.w、d . Scaramuzza和r . Siegwart“基于愿景飞行器导航在未知的和非结构化的环境中,”诉讼的IEEE机器人与自动化国际会议的举行(“国际机器人与自动化会议”10)2010年5月,页第21至28,。视图:出版商的网站|谷歌学术搜索
7. g . Nutzi s.w、d . Scaramuzza和r . Siegwart”融合IMU和远见的绝对规模估计在单眼大满贯,”智能和机器人系统杂志》上,卷61,不。1 - 4、287 - 299年,2011页。视图:出版商的网站|谷歌学术搜索
8. j·h·金姆和s . Sukkarieh“机载同步定位和地图构建,”诉讼的IEEE机器人与自动化国际会议上' 03)举行(“国际机器人与自动化会议”2003年9月,页406 - 411。视图:谷歌学术搜索
9. j . Artieda j·m·塞巴斯蒂安·p·Campoy et al .,“从无人机视觉3 d大满贯。”智能和机器人系统杂志》上,55卷,不。4 - 5,299 - 321年,2009页。视图:出版商的网站|谷歌学术搜索
10. f .绅士l .美利奴、j . Ferruz和a . Ollero”建立测程法和大满贯中、高空无人机飞行,”智能和机器人系统杂志》上,54卷,不。1 - 3、137 - 161年,2009页。视图:出版商的网站|谷歌学术搜索
11. r . o .城堡和d . w . Murray”,目标识别和定位,跟踪和映射,”学报》第八届IEEE国际研讨会上混合和增强现实,页179 - 180,IEEE计算机协会,洛杉矶类似加州,美国,2009年。视图:出版商的网站|谷歌学术搜索
12. 大肠Rosten t·德拉蒙德,“高速检测,机器学习”欧洲计算机视觉的诉讼1卷,第443 - 430页,2006年5月。视图:出版商的网站|谷歌学术搜索
13. o . Faugeras和f . Lustman”运动和结构运动在分段平面环境中,“模式识别与人工智能》国际期刊上,卷2,不。3、485 - 508年,1998页。视图:谷歌学术搜索
14. Benhimane和e·马里“实时图像跟踪飞机使用高效二阶最小化,”《IEEE / RSJ智能机器人和系统国际会议2004年10月,页943 - 948。视图:谷歌学术搜索
15. Benhimane和e·马里“Homography-based 2 d视觉跟踪和伺服,”机器人研究杂志》,26卷,不。7,661 - 676年,2007页。视图:出版商的网站|谷歌学术搜索
16. g·克莱因和d·莫里“平行跟踪和映射照相手机,”学报》第八届IEEE国际研讨会上混合和增强现实(ISMAR ' 09),页83 - 86,奥兰多,佛罗里达州,美国,2009年10月。视图:出版商的网站|谷歌学术搜索
17. a . h .湾Ess、t . Tuytelaars和l . v .干傻事,“骗补健壮的特性(冲浪),”计算机视觉和图像理解,卷110,不。3、346 - 359年,2008页。视图:出版商的网站|谷歌学术搜索
18. g . Bradski“openCV图书馆”,象博士的《软件工具,2000年。视图:谷歌学术搜索

版权

版权©2011米甲Jama,戴尔Schinstock。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。