《表2 EuRo C数据集实验轨迹精度与尺度比较》

  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

《单目相机-IMU外参自动标定与在线估计的视觉-惯导SLAM》

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2的实验数据表明，在自动标定与在线估计单目相机-IMU外参的情况下，本文提出的算法的跟踪精度与单目相机-IMU外参离线标定且固定的VIORB系统相当，特别在4个“MH＿”数据集序列中还获得了更高的精度。相比于VINS-Mono系统，本文算法在大部分数据集序列中取得了更高的精度。特别对于“MH＿”数据集序列，在工厂这种大尺度场景下，本文算法的精度优势更为明显。这是因为本文算法在局部建图线程中使用局部地图保存的关键帧对单目相机-IMU外参进行非线性优化估计。相比于VINS-Mono在滑动窗口中使用关键帧进行外参估计，局部地图中的关键帧位姿精度更高，并可以提供更多的优化约束项。但更多的非线性优化约束也带来了更多的计算量，本文提出的算法相较于VINS-Mono需要消耗更多的计算资源。在V1＿03＿difficult、V1＿02＿medium以及MH＿05＿difficult数据集序列相机快速运动的情况下，本文提出的算法会因为跟踪不了快速变换的场景而导致跟踪失败。另外，在尺度估计方面，本文提出的算法与VINS-Mono等一样，都保持了2%之内的估计误差。综合上述实验结果，证明本文提出的算法在保持估计尺度的情况下，相较于单目相机-IMU外参固定的VI-SLAM系统，可以在一些场景中提升系统跟踪的精度与鲁棒性。特别在大尺度场景下，本文算法的精度优势更为明显。但这也带来了计算量方面的负担，导致系统在快速运动以及光照变化剧烈的情况下容易跟踪失败。