arXiv · Image and Video Processing· Omoruyi Atekha, Marcus Greiff, Ray Zhang 等 4 人
· 22 小时前
AnyVIO:跨平台的前馈流式视觉惯性里程计
AnyVIO: Feed-Forward Streaming Visual-Inertial Odometry Across Platforms
预印本 · 尚未经过同行评审
AI 导读
AnyVIO 将流式几何基础模型与惯性基础模型结合,单次前向融合输出位姿,视觉模型位置误差降低36%,每帧位姿延迟70 ms。
摘要 · AI 翻译
几何基础模型(GFM)无需专家参数调优即可从图像中估计相机运动和场景结构,但要么缺乏度量尺度,要么依赖学习到的先验来推断尺度,而尺度仅凭单目图像无法观测。惯性传感提供了一种观测度量尺度的途径,但现有方法通过滤波器或因子图引入惯性信息,这重新引入了定制参数调优和优化成本,且这些成本会随轨迹增长。为弥合这一差距,我们提出 AnyVIO,一种用于单目视觉惯性里程计(VIO)的实时、前馈流式模型,它将流式 GFM 与惯性基础模型(IFM)相结合。GFM 和 IFM 均预测连续帧之间的度量运动,而一个轻量级的学习融合头量化每个估计的可靠性,并在单次前向传播中将二者融合。在从汽车、腿足与地面机器人以及手持和头戴设备记录的九个数据集上,AnyVIO 将其视觉模型的度量位置误差降低了 36%,同时在收到图像后 70 ms 即发布每个位姿估计。我们进一步将 AnyVIO 部署在两辆真实车辆上,车速最高达 140 km/h,在弱光和浓尘环境中仍保持准确。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Image and Video Processing · arxiv.org