Казанский (Приволжский) федеральный университет, КФУ
КАЗАНСКИЙ
ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
 
RSS Ins Вконтакте twitter facebook
COMPARISON OF ROS-BASED MONOCULAR VISUAL SLAM METHODS: DSO, LDSO, ORB-SLAM2 AND DYNASLAM
Форма представленияСтатьи в зарубежных журналах и сборниках
Год публикации2020
Языканглийский
  • Лавренов Роман Олегович, автор
  • Магид Евгений Аркадьевич, автор
  • Цой Татьяна Григорьевна, автор
  • Мингачев Эльдар Ринатович, автор
  • Библиографическое описание на языке оригинала Mingachev E, Lavrenov R, Tsoy T, Comparison of ROS-Based Monocular Visual SLAM Methods: DSO, LDSO, ORB-SLAM2 and DynaSLAM//Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). - 2020. - Vol.12336 LNAI, Is.. - P.222-233.
    Аннотация Stable and robust path planning of a ground mobile robot requires a combination of accuracy and low latency in its state estimation. Yet, state estimation algorithms should provide these under computational and power constraints of a robot embedded hardware. The presented study offers a comparative analysis of four cutting edge publicly available within robot operating system (ROS) monocular simultaneous localization and mapping methods: DSO, LDSO, ORB-SLAM2, and DynaSLAM. The analysis considers pose estimation accuracy (alignment, absolute trajectory, and relative pose root mean square error) and trajectory precision of the four methods at TUM-Mono and EuRoC datasets.
    Ключевые слова Simultaneous localization and mapping, Visual SLAM, Monocular SLAM, Visual odometry, State estimation, Path planning, Benchmark testing, Robot sensing systems
    Название журнала Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)
    URL https://www.scopus.com/inward/record.uri?eid=2-s2.0-85092904826&doi=10.1007%2f978-3-030-60337-3_22&partnerID=40&md5=7a11747aa3ed4b8302a8af3a53a71935
    Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на эту карточку https://repository.kpfu.ru/?p_id=240257
    Файлы ресурса 
    Название файла Размер (Мб) Формат  
    F_ICR_2020_Mingachev.pdf 1,08 pdf посмотреть / скачать

    Полная запись метаданных