KineDepth：利用机器人运动学进行在线公制深度估计

深度感知对于机器人对其环境的空间和几何理解至关重要，许多任务传统上依赖于基于硬件的深度传感器，如RGB-D或立体相机。然而，这些传感器面临实际限制，包括透明和反射物体的问题、高成本、校准复杂性、空间和能量限制，以及复合系统中故障率的增加。虽然单目深度估计方法提供了一种经济高效且更简单的替代方案，但它们在机器人领域的应用受到限制，因为它们输出的是相对深度而非公制深度，而公制深度对于机器人应用至关重要。在本文中，我们提出了一种利用单个校准相机的方法，使机器人能够充当“测量棒”，在任务执行过程中实时将相对深度估计转换为公制深度。我们的方法采用基于LSTM的公制深度回归器，在线训练并通过概率滤波进行细化，以准确恢复整个单目深度图中的公制深度，特别是在机器人运动附近的区域。真实机器人实验表明，我们的方法显著优于当前最先进的单目公制深度估计技术，在深度误差上降低了22.1%，并在下游任务中成功率提高了52%。