SelfOdom：基于双向由粗到细尺度恢复的自监督自运动与深度学习方法
计算机视觉与模式识别
2023-09-06 v2 机器人学
摘要
准确感知位置与场景对自动驾驶和移动机器人至关重要。深度学习的近期进展使得以自监督方式从单目图像中学习自运动与深度成为可能，无需高度精确标签来训练网络。然而，单目视觉方法受限于称为尺度模糊性的问题，在需要绝对尺度时制约其应用。为此，我们提出 SelfOdom，一种自监督双网络框架，可稳健且一致地从单目图像中学习并生成全局尺度下的位姿与深度估计。特别地，我们引入一种新颖的由粗到细训练策略，使度量尺度能在两阶段过程中恢复。此外，SelfOdom 灵活且可融合惯性数据与图像，借助基于注意力的融合模块提升其在挑战性场景中的鲁棒性。我们的模型在常规及包括困难夜间场景在内的挑战性光照条件下均表现优异。在公开数据集上的大量实验表明，SelfOdom 优于具代表性的传统及基于学习的 VO 与 VIO 模型。
引用
@article{arxiv.2211.08904,
title = {SelfOdom: Self-supervised Egomotion and Depth Learning via Bi-directional Coarse-to-Fine Scale Recovery},
author = {Hao Qu and Lilian Zhang and Xiaoping Hu and Xiaofeng He and Xianfei Pan and Changhao Chen},
journal= {arXiv preprint arXiv:2211.08904},
year = {2023}
}
备注
14 pages, 8 figures, in submission