视觉导航新境界：Drunkard's里程计突破非刚性结构
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##开源# arxiv|萨拉戈萨、阿姆斯特丹大学与微软开源数据集与代码The Drunkard’s Odometry:在变形场景中估计相机运动
【The Drunkard’s Odometry: Estimating Camera Motion in Deforming Scenes】
开源代码与数据集：https: //http://davidrecasens.github.io/TheDrunkard’sOdometry/
文章链接：
230616917TheDrunkardsOdometryEstimatingCameraMotio...
在可变形场景中估计相机运动是一个复杂而开放的研究挑战。现有的大多数来自运动技术的非刚性结构假设除了观察变形的场景部件外，还观察静态的场景部件，以便建立锚定参考。然而，这一假设在某些相关的应用案例中并不成立，比如内窥镜。可变形里程计和SLAM流水线解决了最具有挑战性的探索轨迹场景，但缺乏鲁棒性和适当的定量评估方法。
为了用一个通用的基准来解决这个问题，我们引入了Drunkard ' s Dataset，这是一个具有挑战性的合成数据集，目标是可变形环境中的视觉导航和重建。该数据集是首个在3D场景中包含真实场景的大规模探索式相机轨迹集，其中每个表面随时间呈现非刚性形变。在真实的三维建筑物中进行模拟，我们可以获得大量的数据和地面真值标签，包括高分辨率和高质量的相机姿态、RGB图像和深度、光流和高分辨率和高质量的法线图。我们进一步提出了一种新的可变形里程计方法，称为Drunkard ' s里程计，该方法将光流估计分解为刚体相机运动和非刚体场景变形。为了验证我们的数据，我们的工作包含了对多个基线的评估，以及一种新的不需要真实数据的跟踪误差度量。
以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容
最后介绍一下我们最近的几个学习活动：
1、【报名】视觉惯性SLAM挑战赛之 ORB-SLAM3
《视觉惯性SLAM：理论与源码解析》第三部分：ORB-SLAM3理论与实践。3周时间，8月21日开始上课。详见《视觉惯性SLAM》挑战赛，终极之战！
2、第1期编辑部成员招募
一起对AR/MR、机器人、自动驾驶、无人机等SLAM相关的细分行业的梳理和分析，在AI热潮下能够和大家一起理清思路，看清发展脉络和趋势。 仅限 「小六的机器人SLAM学习圈」参与。
3、【报名】创业交流小组
组织有创业想法，有创业行动，或者正在创业中的朋友一起学习交流，大家一起去思想碰撞，相互学习，甚至产生合作机会。仅限 「小六的机器人SLAM学习圈」参与。
4、【报名】招募项目实战合作者
SLAM项目实战课程，基于开源算法做一些拓展项目。仅限 「小六的机器人SLAM学习圈」参与。
5、小六的机器人SLAM圈！
全国最大的机器人SLAM交流圈，详情戳「小六的机器人SLAM学习圈」
