DM-VIO 项目安装与使用教程
2024-09-14 05:26:12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
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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
最新内容推荐
谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 LabVIEW串口通信开发全攻略:从入门到精通的完整解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Launch4j中文版:Java应用程序打包成EXE的终极解决方案
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
213
226
暂无简介
Dart
660
150
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++
656
293
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.17 K
644
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
490
React Native鸿蒙化仓库
JavaScript
251
320
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
79
104
openGauss kernel ~ openGauss is an open source relational database management system
C++
159
217
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1