huarzail的专栏

对于单目VISO2-M和没有环路闭合的ORB-SLAM，它们无法使用我们的输入设置（图像分辨率416×128），因此我们提供了这两个系统在高分辨率1242×376下的结果。图1展示了系统概述。我们的UnDeepVO的一个特点是恢复6自由度姿态和深度的绝对尺度，这要归功于我们的训练方案，如图3所示。然后，我们使用输入的立体图像、估计的深度图像和6自由度姿态构建损失函数，考虑立体相机组的几何关系。在过去的几十年里，基于模型的VO或几何VO得到了广泛研究，其两种范式，基于特征的方法和直接方法，都取得了巨大成功。

​DeepVO方法应该是第一个采用LSTM方法来实现视觉里程计的方法，具有里程碑的意义。由于作者没有开源，感谢很多大佬复现了他的方法，如ChiWeiHsiao复现了DeepVO方法，github上取名为：DeepVO-pytorch。本文对DeepVO-pytorch的部署进行了简单介绍。

使用深度递归卷积神经网络(RCNNG)，提出了一种新颖的端到端单目VO的框架。由于它是以端到端的方式进行训练和配置的，因此它可以直接从一系列原始的RGB图像（视频）中计算得到姿态，而无需采用任何传统VO框架中的模块。