尺度感知的直接单目里程计
机器人学
2022-07-25 v2 计算机视觉与模式识别
摘要
我们提出了一个基于深度神经网络深度预测的通用尺度感知直接单目里程计框架。与以往仅部分利用深度信息的方法不同，我们构造了一种新的深度预测残差，使得我们能够融合多视角深度信息。此外，我们提出使用截断鲁棒代价函数以避免采用不一致的深度估计。光度与深度预测测量被集成到一个紧耦合优化中，从而得到一个不累积尺度漂移的尺度感知单目系统。我们的方案不局限于某个具体的神经网络，能够与绝大多数现有的深度预测方案协同工作。我们在 KITTI 里程计数据集上使用两个公开可用的神经网络评估了我们方案的有效性与通用性，并与类似方法以及单目和立体 SLAM 的 SOTA 进行比较。实验表明，我们的方案大幅优于经典单目 SLAM，精度提升 5 至 9 倍，优于类似方法，且精度更接近立体系统。
引用
@article{arxiv.2109.10077,
title = {Scale-aware direct monocular odometry},
author = {Carlos Campos and Juan D. Tardós},
journal= {arXiv preprint arXiv:2109.10077},
year = {2022}
}
备注
This paper has been accepted for publication in the IROS2022 conference