深度学习在视觉惯性测深中的应用：Deep_Visual_Inertial_Odometry

深度视觉惯性里程表 基于深度学习的视觉惯性里程计项目。 优点： 轻巧的CNN结构。 没有RNN->更轻。 使用指数映射将图像与惯性数据一起训练。 旋转来自外部姿态估计。 没有RNN，只有卡尔曼滤波器：用于帧到帧位移的加速度和图像融合。 缺点： 无位置校正：位置漂移：但是SLAM可以校正位置drfit。 请引用： 李鸿运，James W. Gregory，Matthew McCrink和Alper Yilmaz。 “用于视觉惯性里程表的深度学习：单眼相机自我运动及其不确定性的估计”，俄亥俄州立大学，硕士论文， ：//rave.ohiolink.edu/etdc/view？acc_num = osu156331321922759 参考文献（当前和将来） 请看纸。 用法： git clone-递归 将.m（Matlab）文件放在KITTI / odom / dataset