RAUM-VO：基于旋转调整的无监督单目视觉里程计
计算机视觉与模式识别
2022-03-15 v1 机器人学
摘要
用于单目相机运动与 3D 场景理解的无监督学习已较依赖对极几何或非线性优化的传统方法流行。值得注意的是，深度学习可克服单目视觉诸多问题，如感知混叠、低纹理区域、尺度漂移与退化运动。并且，相较于监督学习，我们可充分利用视频流数据而无需深度或运动标签。然而，在本文中我们注意到旋转运动比平移分量更易限制无监督位姿网络的精度。因此，我们提出 RAUM-VO，一种基于无模型对极约束的帧间运动估计（F2F）方法，以在训练与在线推理期调整旋转。为此，我们使用预训练深度网络 Superpoint 与 Superglue 匹配连续帧间 2D 关键点，同时以无监督训练协议训练深度与位姿估计网络。随后，我们利用 2D 匹配以 F2F 估计的运动调整预测旋转，并以位姿网络预测初始化求解器。最终，RAUM-VO 在 KITTI 数据集上相较其他无监督位姿网络显示出可观精度提升，同时降低其他混合或传统方法的复杂度并取得可比的 SOTA 结果。
引用
@article{arxiv.2203.07162,
title = {RAUM-VO: Rotational Adjusted Unsupervised Monocular Visual Odometry},
author = {Claudio Cimarelli and Hriday Bavle and Jose Luis Sanchez-Lopez and Holger Voos},
journal= {arXiv preprint arXiv:2203.07162},
year = {2022}
}