基于 CNN 的快速 MAV 机动自运动估计
计算机视觉与模式识别
2022-08-31 v2 机器人学
摘要
在微型飞行器（MAV）视觉自运动估计领域，快速机动因较大的视觉视差与运动模糊而仍具挑战性。为追求更高鲁棒性，我们研究卷积神经网络（CNN），用于从面向平面场景的快速运动单目相机所摄连续图像中预测相对位姿。在惯性测量单元（IMU）辅助下，我们主要关注平移运动。所研究的网络具有相近的小模型尺寸（约 1.35MB）与高推理速度（移动端 GPU 上约 10 毫秒）。训练与测试图像均含真实运动模糊。在以一种级联网络块迭代扭曲首帧以匹配次帧的网络框架基础上，我们研究不同网络架构与训练策略。采用仿真数据集与自采集 MAV 飞行数据集进行评估。所提设置在快速机动下相较现有网络与传统特征点法具有更优精度。此外，自监督学习优于监督学习。视频与开源代码见 https://github.com/tudelft/PoseNet_Planar
引用
@article{arxiv.2101.01841,
title = {CNN-based Ego-Motion Estimation for Fast MAV Maneuvers},
author = {Yingfu Xu and Guido C. H. E. de Croon},
journal= {arXiv preprint arXiv:2101.01841},
year = {2022}
}
备注
10 pages, 10 figures, 7 tables. Accepted by ICRA 2021 (without the Appendix)