深度视觉里程计的方法、挑战与应用：面向复杂与新兴领域
计算机视觉与模式识别
2020-11-30 v1 人工智能
机器人学
摘要
视觉里程计 (VO) 是处理相对定位问题的一种普遍方式，正变得日益成熟与精确，但在挑战性环境下往往脆弱。与基于经典几何的方法相比，基于深度学习的方法可自动从数据中学习有效且鲁棒的表示，如深度、光流、特征、自运动等，而无需显式计算。然而，仍缺乏对基于深度学习的 VO（Deep VO）近期进展的透彻综述。因此，本文旨在深入洞察深度学习如何裨益并优化 VO 系统。我们首先筛选出若干指标，包括准确性、效率、可扩展性、动态性、实用性及可扩展性（注：原文 scalability 与 extensibility 分别译出），并将其作为准则。随后，以所提供的准则为统一度量，我们从深度估计、特征提取与匹配、位姿估计方面详细评估并讨论深度学习如何提升 VO 性能。我们还总结了 Deep VO 的复杂与新兴领域，如移动机器人、医疗机器人、增强现实与虚拟现实等。通过文献分解、分析与比较，我们最终提出了若干开放问题并给出了该领域未来研究方向。
引用
@article{arxiv.2009.02672,
title = {Approaches, Challenges, and Applications for Deep Visual Odometry: Toward to Complicated and Emerging Areas},
author = {Ke Wang and Sai Ma and Junlan Chen and Fan Ren},
journal= {arXiv preprint arXiv:2009.02672},
year = {2020}
}