(2016 IROS)

📝 Paper & Presentation

Receding Moving Object Segmentation in 3D LiDAR Data Using Sparse 4D Convolutions.pdf

<aside> 💡 **정리 0. Multi-camera integration : 카메라 추가하면서 기존 메소드와 달라진 점

1. Inertial measurement integration :: IMU filter(2가지)
2. Local map 기준 추가
3. 새로운 edge constraint 설정

Q.

1. IMU의 경우 filter왜 쓰고, 어디에 쓰려는지 알겠는데, Preintegration해서 넣는건지?

• 그리고 Bias와 Noise는 어떻게 다루는지 ⇒ 필터 내용에 있는건가?

2. 기존 ORB SLAM 파이프라인 → 각 쓰레드별 역할 및 수식적 이해
3. KeyFrame 부분 : ORB SLAM하고의 차이점 / $m_{low}, m_{high}$ ??
4. IMU integration :: Fixed Covariance filter????
5. 식(3)번 Local map, Non-local map**

</aside>

[SLAM] Graph-based SLAM (Pose graph SLAM)

[Paper Review] ProSLAM

Abstract

• IMU와 multiple camera를 사용하여, ORB-SLAM의 extentsion version을 제시

• Main Contribution

  • graph slam 접근 방식에 있어서, multi-camera setup을 사용하였다.
  • ORB SLAM의 graph slam 방식에서, 우리는 sparse Optimization 문제를

    • adjusted subgraph

    • integration of IMU filter ( visual tracking을 도와주고, local map estimation과 keyframe생성의 성능을 높여주는)

      에 대해 정의한다.

• 제안한 방법의 main advantage : 제한된 크기의 Computational load 사용, 높은 Positonal accuracy, low number of parameter

Intro