基于事件的视觉惯性速度计

0. 笔者个人体会

事件相机因为比较贵，研究相对小众，但是在一些领域还是有非常好的效果。事件相机估计的是像素强度变化（事件）流，可以达到微秒级的时间分辨率，并且没有运动模糊。基于事件的速度计主要难点是利用事件生成模型中编码的光度和几何约束，实时解决跟踪和建图子问题。

今天笔者将为大家分享港科大沈劭劼团队的最新工作，能够以较低的延迟恢复度量尺度下的瞬时线速度。

1. 效果展示

这个速度计框架以事件数据和IMU测量作为输入。图中所示分别为：(a) 无人机在狭窄走廊中进行攻击行为。(b) 基于事件的流估计。(c) 相应的深度估计。(d) 归一化瞬时线速度估计结果。这里也推荐工坊推出的新课程《彻底搞懂视觉-惯性SLAM：VINS-Fusion原理精讲与源码剖析》。

 

2. 具体原理是什么？

注意这项工作不包括建图，只有速度计系统，使用事件和IMU估计线速度。作者认为可以不用估计事件相机的位置，恢复瞬时线速度更符合事件相机的差分工作原理。因此基于事件的速度计采用连续时间公式，增量地融合来自事件相机和惯性测量单元的异构测量。

3. 和其他SOTA方法对比如何？

实验设备是13700K CPU，实验结果证明这个方法能够以较低的延迟恢复度量尺度下的瞬时线速度。

每个序列上的AVE对比结果。

 

 

作者：Xiuyuan Lu, Yi Zhou, Shaojie Shen

审核编辑：黄飞