萨拉戈萨大学提出了一种基于神经网络深度预测的直接单目里程计

萨拉戈萨大学提出了一种基于神经网络深度预测的直接单目里程计，将多视点深度预测和光度残差结合在一个优化中使尺度客观，消除尺度漂移。

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文# Scale-aware direct monocular odometry

论文地址：https://arxiv.org/abs/2109.10077

作者单位：西班牙萨拉戈萨大学

我们提出了一种基于深度神经网络的深度预测的尺度感知直接单目里程计的框架。与以往的深度信息只被部分利用的方法不同，我们提出了一种新的深度预测残差，它允许我们结合多个视角的深度信息。此外，我们建议使用截断的代价函数，以防止考虑不一致的深度估计。光度测量和深度预测测量被集成到一个紧耦合的优化中，从而产生一个不会累积尺度漂移的尺度感知单目系统。

我们的建议不专门针对具体的神经网络，能够与现有的绝大多数深度预测解决方案一起工作。我们使用两个公开可用的神经网络在Kitti里程计数据集上验证了我们的建议的有效性和一般性，并将其与类似的方法以及单目和立体SLAM的最新技术进行了比较。实验表明，我们的方法在很大程度上超过了经典的单目SLAM，精度是传统单目SLAM的5到9倍，击败了类似的方法，并且具有接近双目系统的精度。

本文贡献如下：

1、一种新的用于光度和深度预测测量的紧耦合优化。与以前的工作相比，深度预测残差独立于强度图像而被表达，并且被包括在所有观测帧中，而不仅仅是第一个观测帧。这使我们可以使用具有较低强度梯度的图像点，并充分利用深度预测测量，而不会增加计算成本。

2、利用截断最小二乘(TLS)进行深度预测残差的稳健优化。这避免了在优化过程中考虑不一致的深度测量。

3、一个可以与任何现有或未来的深度预测神经网络一起使用的通用系统，如结果所示，比类似的解决方案DF-VO性能更好。

以上内容来自小六的机器人SLAM学习圈 每日更新内容