《表3 Eu Ro C下VI-SLAM开源框架RMSE对比》

  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

《无人系统视觉SLAM技术发展现状简析》

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

表3 （单位:m）和表4 （单位:m）进一步给出了上述开源v SLAM框架在Eu Ro C MAV公开数据集下的均方根误差（root mean squared error，RMSE）对比（表中粗体表示最小误差，x表示误差过大算法不可用）.该数据集共有3类场景，11组数据序列；数据序列标号越大，场景的动态性越强，更具有挑战性.总体而言，相比VI-SLAM，纯视觉SLAM在强动态环境下的鲁棒性较差，各算法均出现了不同程度的丢失，其中以LSD-SLAM最为明显；相反，较为平稳的数据序列（MH＿01＿easy和MH＿02＿easy）中，ORB-SLAM2、DSO等纯视觉SLAM具有更高的位姿估计精度，而VI-SLAM受IMU量测噪声的影响稍逊一筹.同样，以VI-DSO为代表的直接法亦在较为平稳的数据序列中具有更高的估计精度，其他数据序列中则不如以ORB-SLAM2和VI-ORB为代表的特征法v SLAM鲁棒性强.同时，由于Eu Ro C数据集普遍具有较多的回环运动，ORB-SLAM、VI-ORB、VINS等具有回环检测的完整v SLAM系统位姿估计精度亦比OKVIS、Struct VIO等里程计版本v SLAM更高.