A low-cost visual inertial odometry for mobile vehicle based on double stage Kalman filter

Cen, Ruping; Jiang, Tao; Tan, Yaoyao; Su, Xiaojie; Xue, Fangzheng

doi:10.1016/j.sigpro.2022.108537

Cited by 5 publications

(3 citation statements)

References 20 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Penelitian penggunaan sensor IMU untuk estimasi posisi kendaraan telah dilakukan oleh beberapa peneliti (Arun Faisal et al, 2019;Cen et al, 2022;Ligocki dan Jelínek, 2019;Ndjeng Ndjeng et al, 2011;Wang et al, 2019;Xu et al, 2018;Youssef et al, 2021). Beberapa penelitian menggabungkan sensor IMU dengan informasi visual agar menghasilkan sistem odometri yang akurat (Cen et al, 2022;Ligocki dan Jelínek, 2019). Penggabungan antara sensor IMU dan informasi visual membutuhkan sumber daya komputasi yang besar, dikarenakan informasi visual merupakan matriks multidimensi yang perlu diekstraksi fiturnya.…”

Section: Pendahuluanunclassified

“…Penggabungan antara sensor IMU dan informasi visual membutuhkan sumber daya komputasi yang besar, dikarenakan informasi visual merupakan matriks multidimensi yang perlu diekstraksi fiturnya. Dari eksperimen yang dilakukan, visual odometri mampu mengukur perpindahan dengan selisih 5 meter (Cen et al, 2022). Adapun penelitian sistem odometri berbasis akselerometer (Youssef et al, 2021).…”

Section: Pendahuluanunclassified

“…Kalman filter diimplementasikan pada mikrokontroler berbasis ARM Cortex M4. Penggunaan Kalman filter telah banyak digunakan untuk estimasi posisi (Arun Faisal et al, 2019;Cen et al, 2022;Ligocki dan Jelínek, 2019;Ndjeng Ndjeng et al, 2011;Youssef et al, 2021). Hasil dari estimasi perpindahan dikirimkan menuju komputer sebagai data logging menggunakan protokol TCP/IP.…”

Section: Deskripsi Keseluruhan Sistemunclassified

See 2 more Smart Citations

Implementasi Sensor Inertial Measurement Unit untuk Sistem Odometri Kendaraan Otonom

Nursyeha,

Saputra,

Aprillia

et al. 2023

sjt

View full text Add to dashboard Cite

Kendaraan otonom merupakan salah satu topik penelitian yang sedang dikembangkan secara aktif dalam dekade terakhir. Banyak aspek yang menjadi topik penelitian yang berkaitan dengan kendaraan otonom, salah satunya adalah sistem odometri. Sistem odometri merupakan parameter yang penting dalam kendaraan otonom karena merupakan salah satu parameter penentuan keputusan. Sistem odometri berkaitan dengan penentuan posisi dari suatu kendaraan berdasarkan data sensor yang diambil secara periodik. Pada penelitian ini diajukan sistem odometri yang mengukur posisi kendaraan berdasarkan besar percepatan kendaraan. Untuk mengukur percepatan kendaraan, sistem odometri dilengkapi dengan sensor Inertial Measurement Unit (IMU). Mikrokontroler berbasis ARM digunakan untuk mengakuisisi data dan melakukan perhitungan jarak. Berdasarkan pengujian yang telah dilakukan, galat yang dihasilkan dari sistem odometri yang diusulkan mencapai 64 %.

show abstract

Section: Pendahuluanunclassified

Section: Deskripsi Keseluruhan Sistemunclassified

See 1 more Smart Citation

Implementasi Sensor Inertial Measurement Unit untuk Sistem Odometri Kendaraan Otonom

Nursyeha,

Saputra,

Aprillia

et al. 2023

sjt

View full text Add to dashboard Cite

show abstract

HTMatch: An efficient hybrid transformer based graph neural network for local feature matching

Cai

Wang

et al. 2023

Signal Processing

View full text Add to dashboard Cite

A novel online time calibration framework via double-stage EKF for visual-inertial odometry

Li,

Nie,

Guo

et al. 2024

Robotica

View full text Add to dashboard Cite

There is an unavoidable time offset between the camera stream and the inertial measurement unit (IMU) data due to the sensor triggering and transmission delays, which will seriously affect the accuracy of visual-inertial odometry (VIO). A novel online time calibration framework via double-stage EKF for VIO is proposed in this paper. First, the first-stage complementary Kalman filter is constructed by adapting the complementary characteristics between the accelerometer and the gyroscope in the IMU, where the rotation result predicted by the gyroscope is corrected through the measurement of the accelerometer so that the IMU can output a more accurate initial pose. Second, the unknown time offset is added to the state vector of the VIO system. The estimated pose of IMU is used as the prediction information, and the reprojection error of multiple cameras on the same feature point is used as the constraint information. During the operation of the VIO system, the time offset is continuously calculated and superimposed on the IMU timestamp to obtain the data synchronized by the IMU and the camera. The Schur complement model is used to marginalize the camera state that carries less information in the system state, avoiding the loss of prior information between images, and improving the accuracy of camera pose estimation. Finally, the effectiveness of proposed algorithm is verified using the EuRoC dataset and the real experimental data.

show abstract

A low-cost visual inertial odometry for mobile vehicle based on double stage Kalman filter

Cited by 5 publications

References 20 publications

Implementasi Sensor Inertial Measurement Unit untuk Sistem Odometri Kendaraan Otonom

Implementasi Sensor Inertial Measurement Unit untuk Sistem Odometri Kendaraan Otonom

HTMatch: An efficient hybrid transformer based graph neural network for local feature matching

A novel online time calibration framework via double-stage EKF for visual-inertial odometry

Contact Info

Product

Resources

About