DytanVO：动态环境中视觉里程计与运动分割的联合优化
计算机视觉与模式识别
2023-05-02 v4 机器人学
摘要
基于学习的视觉里程计（VO）算法在常见静态场景中借助高容量模型与海量标注数据取得了卓越性能，但在动态、人群密集环境中往往失效。语义分割常被用于在估计相机运动前剔除动态关联，但代价是丢弃静态特征且难以扩展到未见类别。本文中，我们利用相机自运动与运动分割之间的相互依赖关系，表明二者可在单一基于学习的框架中联合优化。具体而言，我们提出DytanVO，这是首个处理动态环境的基于监督学习的VO方法。它实时接收两个连续单目帧并以迭代方式预测相机自运动。我们的方法在真实世界动态环境中的ATE比最先进（SOTA）的VO方案平均提升27.7%，甚至在与后端优化轨迹的动态视觉SLAM系统相比时也具竞争力。在大量未见环境中的实验亦证明了我们方法的泛化能力。
引用
@article{arxiv.2209.08430,
title = {DytanVO: Joint Refinement of Visual Odometry and Motion Segmentation in Dynamic Environments},
author = {Shihao Shen and Yilin Cai and Wenshan Wang and Sebastian Scherer},
journal= {arXiv preprint arXiv:2209.08430},
year = {2023}
}
备注
Accepted to ICRA 2023