面向学习型立体视觉定位的 Metrics-aware Covariance
机器人学
2025-03-13 v2 计算机视觉与模式识别
摘要
我们提出了 MAC-VO，这是一种新型的学习型立体视觉定位方法，利用所学习的 metrics-aware matching uncertainty 用于两个目的：选择关键点并对姿态图优化中的残差进行加权。与传统几何方法优先考虑纹理丰富的特征（如边缘）的关键点选择器不同，我们使用所学习的不确定性来过滤基于全局不一致性的低质量特征。在 contrast to the learning-based algorithms that model the scale-agnostic diagonal weight matrix for covariance, 我们设计的 metrics-aware covariance 模型捕捉关键点注册期间的空间误差以及不同轴之间的相关性。将该协方差模型集成到姿态图优化中，可增强姿态估计的鲁棒性和可靠性，尤其是在光照变化、特征密度和运动模式多变的挑战性环境中。在公开基准数据集上，MAC-VO 在挑战性环境中超越了现有的 VO 和一些 SLAM 算法。协方差图还提供了有关估计姿态可靠性的有价值信息，可为自主系统的决策提供帮助。
引用
@article{arxiv.2409.09479,
title = {MAC-VO: Metrics-aware Covariance for Learning-based Stereo Visual Odometry},
author = {Yuheng Qiu and Yutian Chen and Zihao Zhang and Wenshan Wang and Sebastian Scherer},
journal= {arXiv preprint arXiv:2409.09479},
year = {2025}
}