MAC-VO: Metrics-aware Covariance for Learning-based Stereo Visual Odometry

要約

私たちは、デュアル目的で学習されたメトリックに対応するマッチングの不確実性を活用する新しい学習ベースのステレオVOであるMAC-VOを提案します：キーポイントの選択とポーズグラフ最適化の残差の計量。
エッジなどのテクスチャアフルエント機能を優先する従来の幾何学的方法と比較して、キーポイントセレクターは、学習した不確実性を採用して、グローバルな矛盾に基づいて低品質の機能を除外します。
共分散用のスケールに依存しない対角線重量マトリックスをモデル化する学習ベースのアルゴリズムとは対照的に、キーポイント登録中の空間誤差と異なる軸間の相関をキャプチャするメトリックを意識した共分散モデルを設計します。
この共分散モデルをポーズグラフの最適化に統合すると、特にさまざまな照明、特徴密度、およびモーションパターンを備えた挑戦的な環境で、ポーズ推定の堅牢性と信頼性が向上します。
パブリックベンチマークデータセットでは、Mac-Voは既存のVoアルゴリズムや、挑戦的な環境でのスラムアルゴリズムを上回ります。
共分散マップは、自律システムの意思決定に役立つ可能性のある推定ポーズの信頼性に関する貴重な情報も提供します。

要約(オリジナル)

We propose the MAC-VO, a novel learning-based stereo VO that leverages the learned metrics-aware matching uncertainty for dual purposes: selecting keypoint and weighing the residual in pose graph optimization. Compared to traditional geometric methods prioritizing texture-affluent features like edges, our keypoint selector employs the learned uncertainty to filter out the low-quality features based on global inconsistency. In contrast to the learning-based algorithms that model the scale-agnostic diagonal weight matrix for covariance, we design a metrics-aware covariance model to capture the spatial error during keypoint registration and the correlations between different axes. Integrating this covariance model into pose graph optimization enhances the robustness and reliability of pose estimation, particularly in challenging environments with varying illumination, feature density, and motion patterns. On public benchmark datasets, MAC-VO outperforms existing VO algorithms and even some SLAM algorithms in challenging environments. The covariance map also provides valuable information about the reliability of the estimated poses, which can benefit decision-making for autonomous systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google