PRGFlow：面向 SWAP 约束的统一深度视觉惯性里程计的基准评测

空中机器人的里程计必须具有低延迟和高鲁棒性，同时还须满足由机器人尺寸所决定的尺寸、重量、面积与功耗（SWAP）约束。视觉传感器与惯性测量单元（IMU）相结合，已被证明是在资源受限的空中机器人上获得鲁棒且低延迟里程计的最佳组合。近来，用于视觉惯性融合的深度学习方法因其高精度和鲁棒性而受到关注。然而，这些技术的显著优势在于其固有的可扩展性（适应不同尺寸的空中机器人）和统一性（同一方法适用于不同尺寸的空中机器人），这通过利用压缩方法和硬件加速来实现，而以往的方法缺乏这些特性。为此，我们提出了一种用于视觉平移估计的深度学习方法，并将其与惯性传感器松耦合，以实现完整的 6DoF 里程计估计。我们还提出了一个详细的基准，比较不同的架构、损失函数和压缩方法以实现可扩展性。我们在 MSCOCO 数据集上评估了我们的网络，并在多个真实飞行轨迹上评估了视觉惯性融合。