基于惯性的自监督单目视觉里程计用于道路车辆
计算机视觉与模式识别
2019-05-07 v1
摘要
本文提出iDVO（嵌入惯性的深度视觉里程计），一种基于自监督学习的面向道路车辆的单目视觉里程计（VO）。在对相邻帧间的几何一致性建模时，多数深度VO方法忽略了相机位姿的时间连续性，导致速度曲线出现非常严重的锯齿状波动。鉴于道路车辆在大多数时间倾向于呈现平滑的动态特性，我们设计了惯性损失函数来描述异常运动变化，辅助模型从长期相机自运动中学习连续性。基于循环卷积神经网络（RCNN）架构，我们的方法通过扩展的长短期记忆（LSTM）模块隐式建模道路车辆的动力学与时间连续性。此外，我们开发了动态硬边缘掩码，通过阻断边界部分来处理快速相机运动中的非一致性，并在整体非一致性掩码中生成更高的效率。所提方法在KITTI数据集上进行了评估，结果表明其相对于其他单目深度VO和SLAM方法具有最先进的性能。
引用
@article{arxiv.1905.01634,
title = {Learning by Inertia: Self-supervised Monocular Visual Odometry for Road Vehicles},
author = {Chengze Wang and Yuan Yuan and Qi Wang},
journal= {arXiv preprint arXiv:1905.01634},
year = {2019}
}
备注
2019 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works