CMax-SLAM：基于对比度最大化的旋转运动事件相机光束法平差与 SLAM 系统

事件相机是受生物启发的视觉传感器，可捕获像素级亮度变化并输出异步事件流。与传统相机相比，它们在处理机器人学和计算机视觉中的挑战性场景（如高速和高动态范围）方面展现出巨大潜力。本文研究使用事件相机进行旋转运动估计的问题。过去十年中已开发出多种基于事件的旋转估计方法，但其性能尚未在统一标准下进行评估和比较。此外，这些先前的工作未考虑全局优化步骤。为此，我们对这一问题进行了系统性研究，目标有二：总结先前工作并提出我们自己的解决方案。首先，我们从理论和实验两方面比较了先前的工作。其次，我们提出了首个基于事件的仅旋转光束法平差（BA）方法。我们利用最先进的对比度最大化（CMax）框架来构建该方法，该框架原理性强且无需将事件转换为帧。第三，我们使用所提出的 BA 构建了 CMax-SLAM，这是首个包含前端和后端的基于事件的仅旋转 SLAM 系统。我们的 BA 能够离线（轨迹平滑）和在线（CMax-SLAM 后端）运行。为展示我们方法的性能和通用性，我们在合成和真实世界数据集上进行了全面实验，包括室内、室外和太空场景。我们讨论了真实世界评估的陷阱，并提出将重投影误差的代理指标作为评估基于事件的旋转 BA 方法的品质因数。我们发布了源代码和新的数据序列以惠及社区。我们希望这项工作能促进对基于事件的自我运动估计的更好理解并推动进一步研究。项目页面：https://github.com/tub-rip/cmax_slam