May, 2022

自适应视觉模式选择的高效深度视觉和惯性里程计

HTML
PDF
TL;DR本文介绍了一种基于深度学习的自适应视觉惯性测距（VIO）方法，采用先进的策略网络，根据运动状态和惯性测量读数，在可能的情况下对视觉模态进行去激活，以减少计算的冗余并实现自适应复杂性缩减。实验结果表明，该技术可在评估KITTI数据集时实现高达78.8%的计算复杂度降低，其性能与完整模态基线方法相当甚至更好。
发现论文，激发创造
  • 使用在线误差纠正的无监督深度网络进行视觉辅助的绝对轨迹估计

    本研究介绍了一种无监督深度神经网络方法，用于融合RGB-D图像和惯性测量进行绝对轨迹估计。我们的网络在没有IMU固有参数或IMU与相机之间的外部校准的情况下进行学习，学习整合IMU测量并生成假设轨迹，然后根据空间像素坐标的缩放图像投影误差的雅可比矩阵进行在线更正。在KITTI Odometry数据集上与最先进的视觉惯性测距，视觉测距和视觉同时定位和地图构建（VSLAM）方法进行了比较，表现出有竞争力的测距性能。

    Mar, 2018

  • 使用动态边缘化的直接稀疏视觉惯性测程

    本研究提出VI-DSO，一种同时估计相机姿态和稀疏场景几何的视觉惯性测量新方法，通过最小化组合能量函数中的光度和IMU测量误差来进行优化，在EuRoC数据集上得到了比现有技术更好的效果。

    Apr, 2018

  • 神经视觉惯性测距的选择性传感器融合

    本研究提出一种新颖的端到端选择性传感器融合框架，用于单目视觉内导（VIO）中的图像和惯性测量融合，以估计轨迹并提高对实际问题的鲁棒性，在三个公共数据集上进行了全面测试，并展示了融合策略的效果，尤其是在存在错误数据情况下。

    Mar, 2019

  • 具有非线性因子恢复的视觉惯性映射

    本研究提出了一种通过非线性因子恢复和捆绑调整的方法从视觉惯性测距（VIO）中提取有用信息，以实现全局一致的建图和提高准确性。在公共基准测试中，我们证明了该方法优于现有技术。

    Apr, 2019

  • DeepVIO：使用三维几何约束进行单目视觉惯性里程计的自监督深度学习

    该文章介绍了一种名为DeepVIO的自监督深度学习网络，通过直接合并2D光流特征（OFF）和惯性测量单元（IMU）数据，提供绝对轨迹估计，实验结果表明其在准确性和数据可适应性方面优于传统的基于Deep-Learning方法。

    Jun, 2019

  • SelfVIO：自监督深度单目视觉-惯性里程计和深度估计

    本文提出了一种基于自适应视觉惯性传感器融合和对抗训练的自监督深度学习方法(SelfVIO)，用于从未标记的单目RGB图像序列和惯性测量单元(IMU)读数中共同估计6自由度自我动作和景深图。该方法在KITTI、EuRoC和Cityscapes数据集上的表现优于目前研究领域中其他的VIO方法。

    Nov, 2019

  • CodeVIO：基于学习优化的密集深度视觉惯性里程计

    本文提出了一个轻量级的深度网络和视觉惯性测距（VIO）系统，利用提出的轻量级条件变分自动编码器（CVAE）来提高初始深度预测的精度和泛化能力，以便提供精确的状态估计和稠密的深度图。

    Dec, 2020

  • 基于注意力机制的深度学习单目视觉里程计的运动一致性损失

    该论文提出了一种基于深度学习的视觉里程计的一致性损失函数，实验证明该方法提高了模型在KITTI里程计基准上的性能。

    Jan, 2024

  • 用于深度视觉惯性里程计的因果变换器融合与位姿估计

    本研究针对深度视觉惯性里程计中位姿估计精度不足的问题，提出了一种因果视觉惯性融合变换器（VIFT）。该方法通过利用变换器的注意力机制来更好地利用历史数据，从而改善位姿估计的准确性，实验结果表明，VIFT在KITTI数据集上相较于传统方法显著提高了单目视觉惯性网络的精度。

    Sep, 2024

  • 超轻量级视觉惯性里程计的噪声鲁棒性测试时适应方法

    本研究旨在解决在资源受限设备上部署数据驱动的视觉惯性里程计（VIO）时面临的内存限制和环境分布迁移带来的挑战。我们提出了UL-VIO，一个超轻量级的VIO网络，能够基于视觉和惯性一致性进行测试时适应。实验结果表明，该方法在保证较低内存占用的同时，能够在不同的动态领域迁移场景中有效适应，从而提升了VIO的性能。

    Sep, 2024