面向无监督单目视觉里程计的姿态图优化
计算机视觉与模式识别
2019-03-18 v1
摘要
基于无监督学习的单目视觉里程计(VO)近来因其无标签学习能力和对相机参数及环境变化的鲁棒性而受到显著关注。然而,部分由于缺少漂移校正技术,这些方法在大规模里程计估计上迄今仍远不如几何方法准确。本文提出利用图优化与回环检测来克服基于无监督学习的单目视觉里程计的局限。为此,我们提出了一种混合VO系统,将名为NeuralBundler的无监督单目VO与姿态图优化后端相结合。NeuralBundler是一种以时空光度损失作为主要监督并生成由多视角6DoF约束组成的窗口化姿态图的神经网络架构。我们提出一种新颖的姿态循环一致性损失来缓解窗口化姿态图中的张力,从而提升性能与鲁棒性。在后端中,由NeuralBundler估计的局部与回环6DoF约束构建全局姿态图,并在SE(3)上优化。在KITTI里程计数据集上的实证评估表明:1)NeuralBundler在无监督单目VO估计上达到最先进性能;2)我们的整体方法可实现高效回环闭合,并与成熟的单目SLAM系统相比展现出更优的总体平移精度。
引用
@article{arxiv.1903.06315,
title = {Pose Graph Optimization for Unsupervised Monocular Visual Odometry},
author = {Yang Li and Yoshitaka Ushiku and Tatsuya Harada},
journal= {arXiv preprint arXiv:1903.06315},
year = {2019}
}
备注
Accepted to ICRA'2019