【论文笔记1】:Pose Graph Optimization for Unsupervised Monocular Visual Odometry

本文介绍了一种结合无监督学习与图优化的单目视觉里程计系统NeuralBundler,该系统在KITTI数据集上表现出优秀的闭环检测能力和平移精度,超越了ORB-SLAM等现有系统。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

论文作者:Yang Li1, Yoshitaka Ushiku1 and Tatsuya Harada1,2
论文来源:ICRA 2019
关键词:单目视觉里程计、滑窗位姿图、KITTI里程表数据集

摘要

基于无监督学习的单目视觉里程计(VO),最近因其潜在的无标签学习能力以及对相机参数和环境变化的鲁棒性而备受关注。但是,由于缺少漂移校正技术,在大规模里程计估计方面的精确度仍远不及基于几何的方法。在本文中,我们建议利用图优化和闭环检测来克服基于单目视觉里程计的无监督学习的局限性。为此,我们提出了一种混合的视觉里程计系统,该系统将无监督的单目VO(称为NeuralBundler)与图优化后端结合在一起。 NeuralBundler的神经网络体系结构采用时间和空间光度损失作为主要监督,并生成由多视角6自由度约束组成的滑窗位姿图。我们提出了一种新颖的位姿循环一致性损失,以减轻滑窗位姿图中的矛盾,从而改善性能和鲁棒性。在后端,根据NeuralBundler估计的局部闭环6自由度约束构建全局姿态图,并在SE(3)上进行优化。根据在KITTI里程表数据集的实验表明,1)NeuralBundler在无监督单目VO估计上达到了最先进的性能,2)与已建立的单目SLAM系统相比,我们的整个方法可以实现有效的闭环并显示出良好的整体平移精度。

主要贡献

1.提出了一种基于无监督学习型单目视觉测距仪——NeuralBundler,从单目图像序列中生成滑窗位姿图,并具有新颖的训练损失,从而增强了位姿循环的一致性。
2.基于位姿图优化的高效闭环线程,该位姿图是根据无监督单眼视觉里程计估计的局部和闭环的六自由度约束组成的。

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值