Asynchronous Event-Inertial Odometry using a Unified Gaussian Process Regression Framework

要約

最近の研究では、単眼イベントカメラと慣性計測ユニットを組み合わせて $SE(3)$ 軌道を推定しています。
ただし、イベント カメラの非同期性は、従来のフュージョン アルゴリズムに大きな課題をもたらします。
この論文では、非同期データの関連付けと慣性測定を自然に融合するための、統合ガウス過程 (GP) 回帰フレームワークに基づく非同期イベント慣性オドメトリを紹介します。
GP 潜在変数モデルを活用して、事前にデータ駆動型のモーションを構築し、分析統合能力を獲得します。
次に、非同期イベントベースの特徴関連付けと統合疑似測定が、同じ GP フレームワークを使用して密接に結合されます。
続いて、この融合推定問題は、スライディング ウィンドウ方式で基礎となる因子グラフによって解決されます。
疎性を考慮すると、それらの歴史的国家は秩序正しく周縁化されます。
ツイン システムも比較のために設計されており、従来の慣性事前積分スキームが GP ベースのフレームワークに埋め込まれ、GP 潜在変数モデルを置き換えます。
公開されているイベント慣性データセットの評価により、両方のシステムの有効性が実証されています。
比較実験では、最先端の同期方式と比較して優れた精度を示しています。

要約(オリジナル)

Recent works have combined monocular event camera and inertial measurement unit to estimate the $SE(3)$ trajectory. However, the asynchronicity of event cameras brings a great challenge to conventional fusion algorithms. In this paper, we present an asynchronous event-inertial odometry under a unified Gaussian Process (GP) regression framework to naturally fuse asynchronous data associations and inertial measurements. A GP latent variable model is leveraged to build data-driven motion prior and acquire the analytical integration capacity. Then, asynchronous event-based feature associations and integral pseudo measurements are tightly coupled using the same GP framework. Subsequently, this fusion estimation problem is solved by underlying factor graph in a sliding-window manner. With consideration of sparsity, those historical states are marginalized orderly. A twin system is also designed for comparison, where the traditional inertial preintegration scheme is embedded in the GP-based framework to replace the GP latent variable model. Evaluations on public event-inertial datasets demonstrate the validity of both systems. Comparison experiments show competitive precision compared to the state-of-the-art synchronous scheme.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google