IDOL: A Framework for IMU-DVS Odometry using Lines阅读

文章用线特征做了一个惯性-事件的视觉里程计，前端部分用来提取环境中的属于线的事件集群，后端用来估计系统的沿着线的3D尾汁的轨迹，估计的方法是最小化点-线的距离，点-线距离是指独立的事件点和线在图像上的投影之间的距离。

提出了一个新的吸引/排斥机制，去准确的估计线的末端，避免直接在事件数据中来进行线的检测（直接在事件数据中进行线的检测会比较费劲？）

Method的A. Problem formulation和B. Gaussian Preintegrated Measurement部分因为我不搞IMU所以不是很关注。

BACK-END部分里的B. Line attraction and repulsion factors挺有意思的，原理大约就是这个图

 文章前面提到一个公式，每一个线段可以用两个端点来表示，但是这种表示方式过度参数化，因为同一条线可以用很多的点对来表示，这样的话使用点-线距离最小化的位姿估计就会出现问题。所以作者用了一个吸引/排斥机制来将线的两端与事件集群结合起来，从而确定线的两个端点。这个机制简单来说就是一方面在线的两端之间设置引力，另一方面在线的外部设置排斥力，把线的两端往外拉。

就和上面的图一样，左图中两个端点决定的线段和实际的事件集群并不是重合的，那么在端点外部的红色事件点就会产生拉力把线段往事件点多的地方拉，排斥力与事件的数量有关，最后就会和右图一样，线段刚好落在事件集群上。这个时候产生排斥力的事件数量是最少的，线的端点的位置也是最准确的。

 本文的FRONT-END主要和[Low-latency line tracking using eventbased dynamic vision sensors]差不多，在时空三维空间中找平面信息，因为在这样的事件三维空间中，一个平面就代表着一个线段，原文中还说明了找出线段需要用到的聚类和计算法线的步骤，这里就不详细说明了。接下来通过将一个时间窗口的最后一个事件附加到下一个窗口来完成窗口之间的关联。