AsynEIO：使用高斯过程回归的异步单目事件-惯性里程计

事件相机与惯性传感器结合时，在高速机动和低光照环境等挑战性场景中展现出显著的运动估计潜力。产生此类估计的方法有很多，但大多数都归结为同步离散时间融合问题。然而，事件相机的异步特性及其与惯性传感器的独特融合机制仍未得到充分探索。在本文中，我们引入了一种名为 AsynEIO 的单目事件-惯性里程计方法，旨在统一的高斯过程（GP）回归框架内融合异步事件和惯性数据。我们的方法包含一个事件驱动的前端，能够以高时间分辨率直接从原始事件流中跟踪特征轨迹。这些被跟踪的特征轨迹与各种惯性因子被集成到同一个 GP 回归框架中，以实现异步融合。通过推导解析残差雅可比矩阵和噪声模型，我们的方法构建了一个因子图，并使用滑动窗口优化器进行迭代优化和修剪。对比评估突出了不同惯性融合策略的性能，为不同条件下的最优选择提供了建议。在公开数据集和我们自己的事件-惯性序列上的实验结果表明，AsynEIO 优于现有方法，尤其是在高速和低照度场景中。