深度直接视觉里程计
计算机视觉与模式识别
2021-04-20 v3
摘要
传统单目直接视觉里程计（DVO）是最著名的同时从图像估计机器人自运动与建图环境的方法之一。然而，DVO 在跟踪过程中高度依赖高质量图像与准确的初始位姿估计。随着深度学习的出色表现，已有工作表明深度神经网络能以无监督方式从单目图像序列有效学习帧间 6-DoF（自由度）位姿。但这些无监督的基于深度学习的框架因各位姿间尺度不一致而无法准确生成长单目视频的完整轨迹。为解决此问题，我们利用若干几何约束提升位姿网络的尺度一致性，包括改进先前损失函数并提出一种用于无监督训练的新颖尺度到轨迹约束。我们将由所提新颖约束训练的位姿网络称为 TrajNet。此外，提出一种称为深度直接稀疏里程计（DDSO）的新 DVO 架构，通过嵌入 TrajNet 克服先前直接稀疏里程计（DSO）框架的缺陷。在 KITTI 数据集上的大量实验表明，与先前无监督单目方法相比，所提约束能有效提升 TrajNet 的尺度一致性，且 TrajNet 的集成使 DSO 的初始化与跟踪更鲁棒准确。
引用
@article{arxiv.1912.05101,
title = {Deep Direct Visual Odometry},
author = {Chaoqiang Zhao and Yang Tang and Qiyu Sun and Athanasios V. Vasilakos},
journal= {arXiv preprint arXiv:1912.05101},
year = {2021}
}
备注
10 pages,8 figures