DM VIO

DM-VIO安装与运行自己数据集（ROS版本）

DM-VIO, DMVIO简述，DM-VIO因子图详解 存在的一些工程问题解释，主工作流分析，SLAM/VSLAM

本篇提出DM-VIO(基于延迟边缘化的单目视觉惯性里程计)，该方法使用了两种新的技术：延迟边缘化和位姿图BA。DM-VIO在计算视觉残差时使用了一种基于动态权重的光学BA。系统采用边缘化这一常用策略，以限制更新时间(限制更新时间是什么意思？？？边缘化在VIO的作用是将滑窗中较老的帧移除并将其位姿转为其他帧估计的先验信息)，但是这种边缘化是不可逆转的，并且一旦完成边缘化对于边缘化处的线性化点(一阶泰勒展开点)就会被固定(导致线性化点不一致性的出现)。

DM-VIO简单配置安装与运行

不需要make install搭建DM-VIO环境。

不然编译的时候会因为找不到生成的msg格式而报错。

一开始以为是标定文件的问题，应该也是（因为问gpt,然后生成的不符合要求，一直在改，后面意识到只要按上面的添加相机模型即可，不需要其他操作）目录：（好像不用非得在这个目录下运行也可以，我在~/Code/dm-vio/catkin_ws也运行成功了）这样 DM-VIO 节点就会订阅 bag 中的图像和 IMU 数据，开始处理和定位建图。这会告诉 CMake「即使你版本高，也请按旧版（3.5）规则运行」，，说明 IMU 与相机数据同步、标定、初始化完全成功。（光度标定），DM-VIO 自动切换为。

DM-VIO ROS Wrapper 使用教程 项目介绍 DM-VIO ROS Wrapper 是一个用于 DM-VIO（Delayed Marginalization Visual-Inertial Odometry）的开源项目，它允许用户通过 ROS 接口输入图像和 IMU 数据，并输出姿态信息。DM-VIO 是一种基于延迟边缘化和姿态图 BA 的单目视觉惯性里程计系统，适用于动态环境下的精确...

在原来的那个终端，进入dm-vio/caktin_ws/devel/lib文件下，输入。在安装过程中，有些地方提示的不是很清楚，故写一篇记录避免再次犯错。在dm-vio的一个子目录下创建ros工作空间，如图所示。并在src下克隆dm-vio-ros。再新开一个终端，运行下好的数据包。在src下初始化工作空间。返回上一级目录，编译。

DM-VIO（Delayed Marginalization Visual-Inertial Odometry）是一款基于延迟边缘化技术的视觉惯性里程计方案，在移动机器人定位、AR/VR空间感知等领域展现出显著优势。相比传统VIO方案，它通过创新的延迟边缘化算法和系统设计，解决了动态场景下的精度漂移、计算效率不足等核心痛点，成为开源社区中备受关注的SLAM解决方案。 ## 🚀 优势一：突破性的

我们提出了DM-VIO，这是一种基于两种新技术的单目视觉惯性里程计系统，称为延迟边缘化和位姿图BA。DM-VIO使用视觉残差的动态权重执行BA。我们采用边缘化，这是一种流行的策略，可以限制更新时间，但它不容易逆转，并且必须固定连接变量的线性化点。为了克服这个问题，我们提出延迟边缘化：这个想法是维护第二个因子图，其中边缘化被延迟。这使我们能够稍后重新推进此延迟图，从而在具有新的一致线性化点之前产生更新的边缘化。这是提议的姿势图束调整的基础，我们将其用于 IMU 初始化。

在rosrun之前，出现问题/home/cym/dm-vio/catkin_ws/devel/lib/dmvio_ros/node: error while loading shared libraries: libmetis-gtsam.so: cannot open shared object file: No such file or directory。6、imuCalib：IMU（惯性测量单元）的校准文件路径，包含 IMU 的零偏、刻度因子、噪声参数等，：带光度校准的模式（使用相机校准参数）

DM-VIO：一款实时视觉惯性导航库的深度解析与推荐 dm-vio Source code for the paper DM-VIO: Delayed Marginalization Visual-Inertial Odometry 项目地址: https://g...

DM-VIO（Delayed Marginalization Visual-Inertial Odometry）是一个基于视觉惯性里程计的开源项目，通过延迟边缘化技术实现高精度的状态估计。本文将带您深入了解DM-VIO的源代码结构，从入口函数到核心模块，揭示其内部工作原理和架构设计。 ## 程序入口：双Main函数设计 DM-VIO项目提供了两个主要的可执行程序入口，分别对应不同的应用场景：

DM-VIO (Delayed Marginalization Visual-Inertial Odometry) 是一种基于延迟边缘化的视觉-惯性里程计算法，它结合了视觉和惯性测量单元(IMU)的数据进行位姿估计。该算法是VINS-Mono的改进版本，主要创新点在于采用了一种延迟边缘化策略，能够更好地处理非线性问题和保持系统的可观测性。减少了边缘化带来的线性化误差保持了系统的可观测性提高了IMU偏置估计的准确性在不显著增加计算负担的情况下提高了系统鲁棒性。

DM-VIO（Delayed Marginalization Visual-Inertial Odometry）是一款基于视觉惯性融合的定位系统，通过延迟边缘化技术实现高精度的实时位姿估计。本文将以最简单的方式，帮助新手快速搭建完整的DM-VIO视觉惯性定位系统，只需3个核心步骤即可完成从环境配置到运行测试的全流程。 ## 📋 准备工作：系统环境与依赖项检查 在开始搭建前，请确保您的系统满足

作者|小六 编辑| 计算机视觉life点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【SLAM】技术交流群后台回复【SLAM综述】获取视觉SLAM、激光SLAM、RGBD-SLAM等多篇综述！论文名：DM-VIO: Delayed Marginalization Visual-Inertial Odometry作者单位：慕尼黑工业大学Daniel ...

对于DM-VIO系统进行解析需要了解作者团队以往的工作DSO和VI-DSO，本篇主要的创新点也是比较有意思的地方主要有两个，一个是延迟边缘化的概念，另外是基于延迟边缘化提出维护两个因子图的思路。整个算法跟踪似乎还是以DSO中的直接法前端为主，因此对于帧间跟踪可以达到97FPS的处理速度，然后加入了对关键帧延迟边缘化的一些处理，关键帧的处理设计到优化等操作，处理速度大概在20FPS。

Cat2Bug-Platform：用轻量开源的 Bug 闭环，把测试管理做得更专注