基于学习的 360{\deg} 单传感器距离估计
计算机视觉与模式识别
2025-06-26 v1 机器人学
摘要
准确的距离估计是机器人感知中的基本挑战,尤其是在全景成像领域,传统几何方法在镜头畸变和环境变异性方面表现不佳.本文提出一种基于神经网络的方法,用于单目 360{\deg} 鱼眼镜头相机的距离估计.与依赖精确镜头标定的经典三角方法不同,我们的方法直接从原始全景输入中学习和推断物体距离,在 diverse 条件下具有更好的鲁棒性和适应性.我们在三个 360{\deg} 数据集(LOAF、ULM360 和一个新收集的数据集 Boat360)上进行评估,每个数据集都代表不同的环境和传感器配置.我们的实验结果表明,所提出的学习方法在准确性和鲁棒性方面均优于传统几何方法和其他学习基线.这些发现凸显了深度学习在实时全景距离估计中的潜力,使我们的方法特别适用于机器人、自动导航和监视等低成本应用.
引用
@article{arxiv.2506.20586,
title = {Learning-Based Distance Estimation for 360{\deg} Single-Sensor Setups},
author = {Yitong Quan and Benjamin Kiefer and Martin Messmer and Andreas Zell},
journal= {arXiv preprint arXiv:2506.20586},
year = {2025}
}
备注
Submitted to ECMR 2025