其次，如果一对假定的边缘对应是合理的，在假设Ik和Ic之间没有大的旋转的情况下，它们的梯度方向应该尽可能一致。作为另一种尝试，最近出现的基于边缘的方法[12]，[16]，[25]，[26]在这些边缘情况下显示出强大的性能。与现有的基于边缘的方法不同，我们只使用提取边缘的一小部分，这些边缘是根据它们对运动估计的贡献来选择的。首先，随着相机的移动，一些边缘超出了相机的视野，并且在随后的帧中不会被重新观

在这项工作中，我们采用两步格式并开发了一个封闭形式的估计量，该估计量在与锚形有关的温和条件下是渐近有效的，并且大大减少了计算时间。我们还进行了模拟和实验，以证明我们的方法的统计和计算效率。基于这一结果，我们设计了GN-ULS估计器，与以前的方法相比，它大大减少了计算时间，并提供了仅使用超宽带进行实时状态估计的可能性。传统上，超宽带用于定位[5]-[9]，而最近的许多研究[10]-[13]将超宽带集

人造建筑具有结构规律性，这为视觉惯性里程计(VIO)系统提供了强烈的几何约束。为了充分利用结构信息，在曼哈顿世界假设下，我们提出了一种新的结构规则辅助VIO，采用新颖的坐标对准和线三角剖分。提出的VIO系统建立在OpenVINS之上，部分基于我们以前的工作。所提出的坐标对准方法不仅使雅可比矩阵和重投影误差变得简洁，而且减少了变换所需的计算量。此外，提出了一种新的结构线三角剖分方法，该方法利用结构线

最后，实验结果证实，与其他先进的方法相比，我们的DynaVINS具有良好的性能，成功地拒绝了动态和暂时静态物体的影响。(a)各算法在三维特征图中的轨迹，这是我们提出的算法的结果。除我们的算法外，所有其他算法在观察动态对象时都丢失了轨迹或有噪声轨迹，并且在(c)我们算法的特征加权结果中，来自动态对象的特征(红叉)的权重较低，而鲁棒特征(绿圈)的权重较高。在如图7(a) - (b)所示的parking

为了更好地体现我们系统的地图质量，我们还运行PL-VIO来构建线图，如图6(b)所示，我们可以看到，PLS-VIO的地图具有更多的线特征，线的位置也更加准确，同时，VIO系统构建的局部地图精度的提高也会影响姿态估计，从而提高姿态估计的精度。对于剩余的线，我们首先根据角度和距离的一致性将线附加到检测到的曼哈顿世界上，当未分类线的数量大于检测到的线总数的60%时，我们使用RANSAC方法检测X和Y方向

首先，对于每个线段j，我们计算其端点的初始3D位置，表示为{Sc j, Ec j}，通过反向投影符合图像中直线的点的子集，然后执行鲁棒拟合步骤，如[14]所示。在图中，绿色、红色和蓝色表示一条线与单个曼哈顿轴的对应关系，而黄色表示不与任何轴对应的3D线，橙色表示线。图6：(左)fr3-long - office序列的局部地图和不同版本的MSC-VO:第一个-仅使用点和线(PL-VO)，第二个- P

如果此时我要调试2下面的3程序，我直接点3之后，再点左边的蜘蛛按钮，可能就不会像只有一个工作空间那样直接在此工作空间下面生成json。如上图所示，正常情况下当我们想要调试项目名字为0的目录下的train.py文件时，我们会按顺序点1，2，然后创建生成仅一个launch.json文件3在项目ms下的.vscode目录下。但如果我们需要调试的程序如下类似，在项目ms目录下的某个文件夹内，我们就需要加上

VScode字体/界面突然超大，一招调回，完美解决。 真实太好了！！！

点击资源下载论文题目目录。