《表2 室外场景轨迹误差/m》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于单目视觉和惯性信息融合的SLAM研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证本算法的鲁棒性，选取TUM数据集中具有快速运动且光照条件复杂的室外场景，对ROVIO、OKVIS和基于改进光流的SLAM算法进行了评估。误差结果在表2中。基于改进光流的SLAM算法采用计算要求更高的非线性优化，与之相比，采用滤波的Rovio更容易在大多数的室外序列发生漂移，基于改进光流的SLAM算法在大多数序列上优于ROVIO。在具有室外快速运动的场景时，如outdoor4和outdoor7序列有较好的表现，甚至在outdoor4序列误差小于OK-VIS。但是在outdoor1和outdoor6这两个难度较大的序列，所有系统都出现不同程度的漂移。评估表明，该算法能够在室外快速运动的场景时，有着比较不错的表现。展示了一些代表性序列outdoor4和outdoor7，轨迹如图3所示，虚点线为ROVIO轨迹，实线为基于改进光流的SLAM算法的轨迹，点线为OKVIS轨迹。室外环境数据集只提供了开始和结束段的真实轨迹来计算误差，所以图中没有标出真实轨迹。