本文提出基于深度学习的方法利用事件相机和机载计算实现四轴飞行器避开多个动态障碍物。该方法通过一系列浅层神经网络模型同时估计自我运动和独立运动目标的运动，并在真实场景下实现测试并证明有效性，成功率达到 70%。此外，本方法通过反向控制来延伸应用于其他不同场景，是首次使用事件相机实现基于深度学习的动态障碍物避免方案的研究。

Jun, 2019

本文提出了一种基于连续时间表征的事件相机视觉惯性导航融合方法，并证明了该方法在准确性和适用性上优于当前最先进的事件相机视觉导航方法。

Feb, 2017

本文提出了一种新的方法，用于在具有三个自由度的全景设置中进行事件摄像机的摄像机跟踪。该方法利用事件的空间位置而不使用图像场景点的外观进行跟踪。结果表明该方法能够应对快速移动的物体和场景中的动态物体。

Mar, 2017

本文介绍了使用适应性选择事件窗口中的信息形成运动补偿图像来重建场景以及估计相机的 6-DOF 姿态，并提出了一个惯性版本的仅事件流水线，以评估其性能。通过对两个公开事件数据集的序列的不同配置的结果与基准进行比较，本文证明了所提出的事件惯性流水线可以产生相当或更准确的结果，前提是地图估计可靠。

Jan, 2023

本文研究使用事件相机结合深度学习进行行人检测任务，并比较了不同处理方法的效果，结果表明事件相机是解决现有问题的潜在技术。

May, 2023

提出了一种异步滤波器，可以将事件摄像机从高速、高动态范围数据中提取的局部时间对比信息，与传统摄像机从低频参考强度信息中提取的信息相融合，以形成一个单一的高时空分辨率图像状态，证明该算法优于现有状态的方法。

Nov, 2018

本文介绍了一个新的被动感知方式 —— 事件相机，可以完成多种 3D 感知任务，并提供了一个涵盖各种环境和照明水平的大型数据集，包括了事件流、灰度图像和 IMU 读数，并提供了真确的姿势和深度图像。同时还提供了来自基于框架的立体相机系统的同步灰度图像和 IMU 读数的比较。

Jan, 2018

本文提出了一种使用事件相机实现实时的视觉里程计的解决方案，其中包括基于视觉一致性的立体事件数据融合的半密集三维场景重建以及通过选定的地图和事件数据表示解决的姿态恢复问题。该系统成功利用事件相机的优势，在高速和大动态范围场景下进行视觉里程计，并在标准 CPU 上以实时运行，已在公开数据集和作者的数据集上进行了测试。

Jul, 2020

本文提出了一种基于事件相机的高动态范围视频重建方法，该方法包括模糊去除、时间插值、异步 Kalman 滤波等步骤，可以较好地处理 HDR 视频，实验结果验证了本方法的优越性。

Dec, 2020

本文探讨了使用基于图像的视觉伺服控制解决空中载具（如四旋翼无人机）在移动平台上的着陆问题。首先介绍了四旋翼飞行器的数学模型，然后设计内环控制。在第二阶段中，利用纹理目标平面上的图像特征来推导基于视觉的控制定律。使用降落目标中一组地标的球形质心的图像作为位置测量，而平移光流作为速度测量。使用可观察特征来表达基于视觉的系统的运动学，并且所提出的控制定律确保收敛，无需估计视觉系统与目标之间的未知距离，同时保证该距离始终保持严格为正，避免意外碰撞。通过 MATLAB 和 3D 仿真软件 Gazebo 对所提出的控制定律进行了评估。对于移动目标的不同速度配置文件，提供了四旋翼无人机的仿真结果，展示了所提出控制器的鲁棒性。

Apr, 2024