SRVIO：面向动态环境与严峻回环闭合条件的超鲁棒视觉惯性里程计

过去数十年间，关于自主机器人与虚拟现实的视觉定位与里程计研究已广泛开展。传统上，该问题借助激光雷达等昂贵传感器得以解决。如今，该领域前沿研究的焦点在于使用相机与 IMU 等更经济传感器的鲁棒定位。因此，几何视觉定位方法随时间推移变得更加精确。然而，这些方法在充满移动人的房间等挑战性环境中仍遭受显著的丢失与发散。科学家开始使用深度神经网络（DNNs）来缓解此问题。使用 DNNs 背后的主要思想是更好地理解数据中的挑战性方面，并克服复杂条件，例如摄像机前动态物体遮挡全视野、极端光照条件以及摄像机高速运动。先前的端到端 DNN 方法已克服其中部分挑战。然而，尚无通用且鲁棒的框架能同时克服所有挑战。本文中，我们结合几何与基于 DNN 的方法，以兼具几何 SLAM 框架的通用性与速度，并借助 DNNs 克服大多数此类挑战性条件，从而给出迄今最鲁棒的框架。为此，我们基于 Vins-Mono 设计了一个框架，并表明相较于几何与端到端 DNN 基 SLAM，其在 TUM-Dynamic、TUM-VI、ADVIO 与 EuRoC 数据集上均能取得最先进结果。我们提出的框架在上述挑战的极端仿真情形下亦可取得出色结果。