本研究介绍了一种轻量级的不确定性估计器，通过将符合预测与深度学习回归器相结合，能够预测多模态（不相交）的不确定性界限。我们特别讨论了它在视觉里程计中的应用，该应用中环境特征，如飞行领域的对称性和模糊和遮挡下的传感器测量，可能导致多模态不确定性。我们的模拟结果显示，在我们的框架中，不确定性估计根据具有挑战性的操作条件自适应地调整每个样本，例如明显的噪声、有限的训练数据和有限的预测模型参数大小。我们还开发了一种推理框架，利用这些稳健的不确定性估计并结合基于光流的推理来提高预测准确性。因此，通过恰当地考虑数据驱动学习的预测不确定性，并通过基于规则的推理关闭其估计循环，我们的方法在所有这些具有挑战性的场景中始终优于传统的深度学习方法，通过减少预测误差 2-3 倍。

Sep, 2023

该论文提出了一种利用几何结构作为自我监督信号的无监督深度视觉里程计学习范例，并表明这种方法与监督学习方法在性能上的竞争力相当。

Apr, 2018

本文介绍了基于像素预测的视觉里程表（PWVO）的方法，该方法通过不确定性估计识别输入观测中的噪声区域，并采用选择机制来集成基于估计的不确定性地图的像素级预测以确定最终的平移和旋转值。通过合成训练数据的数据生成工作流，全面培训 PWVO，并且实验结果表明，PWVO 能够提供良好的结果，且估计的不确定性地图能够捕获输入观测中的噪声。

Aug, 2022

我们提出了一种自我监督学习框架，使用未标记的单眼视频序列生成大规模监督，用于训练视觉里程计前端，并使用输出来创建自我监督数据集以重新训练前端。

Dec, 2018

提出一种基于 Transformer 的模态不变的 Visual Odometry 方法，可以应对不同或变化的导航代理的传感器套件，该模型在仅使用部分数据进行训练时，优于先前的方法。

Apr, 2023

该论文提出了一种新的混合视觉里程计（VO）框架，利用仅姿态监督来平衡鲁棒性和对大量标注的需求，并采用自我监督的同态学习和随机基于补丁的显著点检测策略，提高系统在各种具有挑战性的环境中的泛化能力。该方法在标准数据集上具有竞争力的性能，并在极端和未知场景中表现出更高的鲁棒性和泛化能力，甚至超过基于密集光流监督的最先进方法。

Apr, 2024

这篇论文介绍了一种用于预测不确定性量化的基准测试方法，通过评估不同方法在三个流行数据集上对于识别被错分和不适当类别像素、以及校准的有效性，发现证据深度学习方法在高效量化不确定性方面表现最有潜力，提出了适用于高度不平衡数据的 Uncertainty-Focal-Cross-Entropy (UFCE) 损失函数，以及增强模型对高不确定性像素关注的缺空缩放规则项能够提高确定性不确定性量化。

May, 2024

本文提出一种基于无监督学习的单目视觉里程计系统，结合图优化和回路检测，利用神经网络构建一个包含多视图 6DoF 约束的窗口位姿图，并提出了一种姿态周期一致性损失来改善性能和鲁棒性，进而构建全局位姿图进行优化，实验结果表明该方法具有良好的性能和精度。

Mar, 2019

提出一个新的单目视觉里程计框架 D3VO，它利用三个层次的深度网络 —— 深度、姿态和不确定性估计，并使用自监督单目深度估计网络训练了预测亮度变换参数，提高了深度估计精度和提供了学习到的光度残差加权函数，进而实现前端跟踪和后端非线性优化。在 KITTI 里程测量基准和 EuRoC MAV 数据集上测试表明，D3VO 在单目视觉里程计方面的表现优于传统方法和其他最先进的 VO 方法，同时仅使用一个相机就可以实现与最先进的立体 / LiDAR 里程测量和最先进的视觉惯性里程测量相媲美的结果。

Mar, 2020

通过将协同推断原理与信息理论测量相集成，我们的研究在多模态框架内实现了轻量级、无蒙特卡罗的不确定性估计，并通过多元高斯变分自动编码器的潜变量的乘积来融合 RGB 摄像机和 LiDAR 传感器数据的特征以提高预测准确性。通过基于加权损失函数的 CI 得出的不确定性边界的标准化互信息被用作调制器。我们的仿真结果表明，在模型训练期间，内在的预测不确定性与 NMI 呈负相关。该框架在 KITTI 3D 物体检测基准上展示了与不具备不确定性感知能力的相似方法相媲美甚至更好的性能，适用于边缘实时机器人技术。

Sep, 2023