自监督几何引导初始化用于鲁棒单目视觉里程计
计算机视觉与模式识别
2025-09-30 v2 机器人学
摘要
单目视觉里程计是各类自主系统中的关键技术。传统的基于特征的方法因光照不足、纹理缺失和大幅运动而容易失效。相比之下，近期基于学习的密集SLAM方法利用迭代密集光束法平差来处理此类失效情况，并在多种真实环境中实现鲁棒且精确的定位，无需依赖特定领域的监督。然而，尽管具有潜力，这些方法在处理大幅运动和物体动态场景时仍存在困难。在本研究中，我们通过分析在室外基准测试中的主要失效案例，并揭示其优化过程中的各种缺陷，诊断了一个流行的基于学习的密集SLAM模型（DROID-SLAM）的关键弱点。随后，我们提出利用一个冻结的大规模预训练单目深度估计器来提供自监督先验，以初始化密集光束法平差过程，从而在无需微调SLAM主干网络的情况下实现鲁棒的视觉里程计。尽管方法简单，但所提方法在KITTI里程计以及具有挑战性的DDAD基准测试上均展现出显著的性能提升。
引用
@article{arxiv.2406.00929,
title = {Self-Supervised Geometry-Guided Initialization for Robust Monocular Visual Odometry},
author = {Takayuki Kanai and Igor Vasiljevic and Vitor Guizilini and Kazuhiro Shintani},
journal= {arXiv preprint arXiv:2406.00929},
year = {2025}
}
备注
Project page: https://toyotafrc.github.io/SGInit-Proj/