ForestVO：通过ForestGlue提升森林环境下的视觉里程计
机器人学
2025-04-03 v1 计算机视觉与模式识别
摘要
近期视觉里程计系统的进展提升了自主导航，但在森林等复杂环境中仍面临挑战，稠密树冠、变化的光照和重复纹理会损害特征对应 accuracy。为此，我们引入ForestGlue，通过四种配置（灰度、RGB、RGB-D和立体视觉）优化SuperPoint特征检测器，适用于各种感知模态。对于特征匹配，我们采用LightGlue或SuperGlue，使用合成森林数据进行再训练。ForestGlue在仅需512个特征点（仅为基线的25%）即可达到10°阈值下0.745的LO-RANSAC AUC分数。仅用四分之一的特征点，ForestGlue显著降低了计算开销，证明在动态森林环境中有效，适用于资源受限平台的实时部署。将ForestGlue与基于transformer的姿态估计模型结合，我们提出ForestVO，使用匹配的2D像素坐标估算帧之间的相对相机姿态。在具有挑战性的TartanAir森林序列上，ForestVO实现平均相对姿态误差（RPE）为1.09米，kitti_score为2.33%，在动态场景中优于DSO等基于直接方法的40%。尽管仅使用10%的数据进行训练，ForestVO仍与TartanVO保持竞争性能，同时是 significantly lighter model。本工作构建了一个专为森林环境视觉里程计设计的端到端深度学习管道，利用森林特定训练数据优化特征对应和姿态估计，从而提升自主导航系统的准确性和鲁棒性。
引用
@article{arxiv.2504.01261,
title = {ForestVO: Enhancing Visual Odometry in Forest Environments through ForestGlue},
author = {Thomas Pritchard and Saifullah Ijaz and Ronald Clark and Basaran Bahadir Kocer},
journal= {arXiv preprint arXiv:2504.01261},
year = {2025}
}
备注
Accepted to the IEEE Robotics and Automation Letters