今天是1月最后一天了，今天仍然按照计划进行了学习，包括SLAM，惯导，深度学习，每日任务。
SLAM部分今天把第九章的实验和作业看了一下，但是学得很粗糙，我非常需要非常精细的第二遍学习，今天也稍微想了一下后续的学习；惯导部分今天学习了姿态更新算法的总结与示例，然后接着开始学习速度更新的部分，今天学了速度微分方程的引出与速度更新即微分方程求解的一部分，速度微分方程根据参考坐标系不同可以有多个，速度更新中最重要的是比力积分项；深度学习部分今天把深层神经网络部分的作业做完了，这个网课的作业感觉是最有用的，每次做完都感觉很好。
论文阅读部分，今天读了VIO中的深度学习方法，这是和我毕设非常相关的。相机和惯导是两个有互相补偿特性的传感器，把它们融合往往能得到比较好的效果。VIO最关键的部分是有效的融合方法，根据融合方式可以粗略分为三种：滤波器方法、固定滞后平滑器方法、完全平滑方法。数据驱动的方法是指直接从视觉与惯性数据恢复出位姿，第一个把视觉惯性融合作为一系列融合问题的工作是VINet，这是一种端到端的方法。VINet使用基于视觉编码器的ConvNet从连续两个图片中提取视觉特征，使用LSTM网络从一系列IMU数据中提取惯导特征，然后将两者串联在一起，输入到又一个LSTM网络中根据系统状态历史预测相关姿态。VINet优点是在标定与相对定时偏差上更鲁棒，缺点是不能完全解决学习到一个有意义的融合方法的问题。深层的传感器融合方面也有相关成果，有学者提出可选择的传感器融合，这是一个考虑模态特征的方法，通过有选择地学习视觉惯性姿态估计的语境依赖表征，能够充分开发传感器的互补特性。和无监督VO类似，VIO也可以通过新视角合成实现自监督，VIOLearner、DeepVIO就是相关的成果。基于学习的VIO目前还不能打败基于模型的VIO们，但是基于学习的VIO普遍在一些真实问题中更加鲁棒，比如测量噪声的存在、不好的时间同步，这都多亏于深层神经网络特征提取于运动建模的重要能力。
明天周三安排的学习任务相比这两天稍微少一点，就少一项，多出来的时间学点感兴趣的东西，看一看视频什么的。毕设相关的工作要抓紧了，应该把直接对应毕设的科研时间提高，开始动手做，不能总是在准备，边实践边学习往往效率会更高，这方面自己这周要多考虑一下。
2023-01-31日志
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
