基于几何一致性的自监督视觉3D姿态估计： nano-drone竞速闸门

我们考虑使用预训练于仿真数据上的卷积神经网络来估计无人机竞速闸门的相对姿态。由于仿真到现实的差距，预训练模型在现实世界中表现不佳，需要适应目标域。我们提出了一种仅使用无人机在闸门前以任意轨迹飞行收集的真实图像序列的无监督域适应（UDA）方法；序列以无人机 onboard传感器测量的里程计方式进行自监督标注。在该数据集上，状态一致性损失强制两个不同时间获取的图像 yield姿态预测与无人机里程计一致。结果表明，我们的方法在其他SOTA UDA方法中表现更好，在位置（x=26, y=28, z=10 cm）和姿态（$\psi$=13${^{\circ}}$）上均有较低的均值绝对误差，位置和姿态分别提高了40%和37%。该方法在仅需10分钟真实世界飞行数据即可显著有效，并在部署于Crazyflie 2.1无刷nano-drone时，推理时间为30.4ms（33 fps）。