DM-VIO 项目安装与使用教程
2024-09-14 23:49:24作者:廉皓灿Ida
1. 项目目录结构及介绍
DM-VIO 项目的目录结构如下:
dm-vio/
├── cmake/
│ └── configs/
├── doc/
├── src/
│ ├── dso/
│ ├── IMU/
│ ├── IMUInitialization/
│ └── util/
├── test/
├── thirdparty/
├── .gitmodules
├── CMakeLists.txt
├── LICENSE
└── README.md
目录介绍
- cmake/: 包含 CMake 配置文件。
- doc/: 包含项目文档,如实时演示的说明文件。
- src/: 项目的主要源代码,包括视觉里程计(dso)、IMU 处理(IMU)、IMU 初始化(IMUInitialization)和工具类(util)。
- test/: 包含测试代码。
- thirdparty/: 包含第三方库,如 sse2neon。
- .gitmodules: Git 子模块配置文件。
- CMakeLists.txt: CMake 构建文件。
- LICENSE: 项目许可证文件。
- README.md: 项目介绍和使用说明。
2. 项目启动文件介绍
DM-VIO 项目的主要启动文件是 bin/dmvio_dataset,用于在数据集上运行 DM-VIO。启动文件的使用方法如下:
bin/dmvio_dataset \
files=XXXX/datasetXXXX/dso/cam0/images \
vignette=XXXX/datasetXXXX/dso/cam0/vignette.png \
imuFile=XXXX/datasetXXXX/dso/imu.txt \
gtFile=XXXX/datasetXXXX/dso/gt_imu.csv \
calib=PATH_TO_DMVIO/configs/tumvi_calib/camera02.txt \
gamma=PATH_TO_DMVIO/configs/tumvi_calib/pcalib.txt \
imuCalib=PATH_TO_DMVIO/configs/tumvi_calib/camchain.yaml \
mode=0 \
use16Bit=1 \
preset=0 \
nogui=0 \
resultsPrefix=/PATH_TO_RESULTS/ \
settingsFile=PATH_TO_DMVIO/configs/tumvi.yaml \
start=2
参数说明
files: 图像文件夹路径。vignette: 渐晕校正文件路径。imuFile: IMU 数据文件路径。gtFile: 真值数据文件路径。calib: 相机校准文件路径。gamma: 伽马校正文件路径。imuCalib: IMU 校准文件路径。mode: 运行模式。use16Bit: 是否使用 16 位图像。preset: 预设模式。nogui: 是否启用 GUI。resultsPrefix: 结果输出路径。settingsFile: 配置文件路径。start: 启动时间。
3. 项目配置文件介绍
DM-VIO 项目的配置文件主要位于 configs/ 目录下,常用的配置文件包括:
- tumvi_calib/camera02.txt: 相机校准文件。
- tumvi_calib/pcalib.txt: 伽马校正文件。
- tumvi_calib/camchain.yaml: IMU 校准文件。
- tumvi.yaml: 主要配置文件,包含 IMU 噪声值等设置。
配置文件示例
# tumvi.yaml
imuNoise:
accelNoiseDensity: 0.016
accelRandomWalk: 0.0002
gyroNoiseDensity: 0.0002
gyroRandomWalk: 0.000003
配置文件说明
accelNoiseDensity: 加速度计噪声密度。accelRandomWalk: 加速度计随机游走。gyroNoiseDensity: 陀螺仪噪声密度。gyroRandomWalk: 陀螺仪随机游走。
通过这些配置文件,用户可以调整 DM-VIO 的运行参数,以适应不同的数据集和应用场景。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
316
2.74 K
仓颉编译器源码及 cjdb 调试工具。
C++
124
852
Ascend Extension for PyTorch
Python
155
178
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
639
246
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
241
85
暂无简介
Dart
606
136
React Native鸿蒙化仓库
JavaScript
239
310
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
364
3.02 K