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

通过建立事件的生成模型来解决映射和相机姿态跟踪的问题，并提出提高事件边缘像素采样效率以及结合时间立体结果和静态立体结果来改善映射性能，同时通过引入陀螺仪测量作为先验来解决相机姿态跟踪中的退化问题，通过公开数据集的实验证明了改进的方法的有效性。

May, 2024

基于事件的运动估计在提取和跟踪稳定特征方面仍然存在困难，因此通常认为与其他传感器的融合是必需的。在本研究中，我们利用 Ackermann 转向平台的约束非完整运动模型，实现了可靠的纯事件型视觉测距。通过将常规帧摄像机的单特征非线性扩展到准时间连续事件轨迹，并通过变量程度泰勒展开实现多项式形式，我们通过直方图投票轻松实现对多个事件轨迹的鲁棒平均值。在模拟和真实数据上的实验表明，我们的算法实现了准确而稳健的车辆瞬时旋转速度估计，从而在正常条件下与基于帧传感器获得的增量旋转相当。此外，我们在具有挑战性的照明场景中明显优于传统的替代方法。代码可在 https://github.com/gowanting/NHEVO 上获取。

Jan, 2024

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

RAMP-VO 是第一个端到端学习的事件 - 图像式视觉里程计系统，它利用了新颖的 RAMP 编码器，比现有异步编码器快 8 倍，准确性高出 20%；RAMP-VO 还采用了一种新颖的姿态预测技术，用于初始化时预测未来的姿态。尽管仅在模拟环境中进行训练，RAMP-VO 在传统的真实世界基准测试以及新引入的 Apollo 和 Malapert 着陆序列上分别比基于图像和事件的方法提高了 52% 和 20%，为太空中的稳健异步视觉里程计铺平了道路。

Sep, 2023

本文提出了一种直接使用事件和 RGB-D 数据相结合的稀疏视觉里程法，用于估计活泼的四足机器人在动态运动和杂技行为中的姿态。

May, 2023

通过多模态跟踪和知识蒸馏方法，在高分辨率事件信号下实现了高速低延迟的视觉跟踪的研究。

Sep, 2023

本文提出了一种基于动态视觉传感器的异步相机的新颖跟踪算法，该算法可以在极低光和噪声条件下，无需任何外部传感器，且无需任何特征跟踪或显式光流计算即可检测和跟踪不同移动对象。

Mar, 2018

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