一种用于不确定性感知视觉-惯性里程计的自监督可微卡尔曼滤波器

视觉-惯性里程计（VIO）系统传统上依赖基于滤波或优化的技术进行自运动估计。虽然这些方法在常规条件下准确，但在剧烈光照变化、快速相机运动或低纹理图像序列期间容易失效。基于学习的系统有潜力在挑战性环境中超越经典实现，但目前在常规设置下的表现不如经典方法。在此，我们引入一种训练混合 VIO 系统的框架，该框架利用了学习与基于标准滤波的状态估计的优势。我们的方法构建于可微卡尔曼滤波器之上，具有 IMU 驱动的过程模型以及鲁棒的、神经网络导出的相对位姿测量模型。卡尔曼滤波器框架的使用使得在训练时和测试时都能对不确定性进行原则性处理。我们表明，我们的自监督损失公式优于类似的监督方法，同时还支持在线再训练。我们在 EuRoC 数据集的视觉退化版本上评估了我们的系统，发现我们的估计器在经典估计器持续发散的情况下仍能运行且精度无显著下降。最后，通过合理利用 IMU 测量中包含的度量信息，我们的系统能够恢复度量场景尺度，而其他自监督单目 VIO 方法则无法做到。