基于课程学习的鲁棒单目视觉里程计

课程学习（Curriculum Learning, CL）从人类和动物的自然学习模式中汲取灵感，在模型开发过程中采用逐步引入越来越复杂训练数据的系统方法。我们的工作将创新的 CL 方法应用于解决单目视觉里程计（Visual Odometry, VO）估计这一具有挑战性的几何问题，该问题对于受限环境中的机器人导航至关重要。我们研究的主要目标是通过研究各种课程学习策略，推动当前单目 VO 领域最先进（SOTA）基准的边界。我们通过整合新颖的 CL 方法来增强端到端 Deep-Patch-Visual Odometry（DPVO）框架，旨在开发更具弹性的模型，使其能够在具有挑战性的环境和复杂运动场景中保持高性能。我们的研究包含多种独特的 CL 策略。我们开发了基于轨迹运动特征评估样本难度的方法，通过自定步长加权损失机制实现复杂的自适应调度，并利用强化学习智能体动态调整训练重点。通过在多样化的合成 TartanAir 数据集以及 EuRoC 和 TUM-RGBD 等复杂的真实世界基准上进行全面评估，我们基于课程学习的 Deep-Patch-Visual Odometry（CL-DPVO）展现出了优于现有 SOTA 方法的性能，包括基于特征和基于学习的 VO 方法。结果验证了将课程学习原则整合到视觉里程计系统中的有效性。