Continuous Gaussian Process Pre-Optimization for Asynchronous Event-Inertial Odometry

要約

イベント カメラは、生体からインスピレーションを得たセンサーであり、強度カメラと比較して高い時間分解能で非同期的にトリガーされます。
最近の研究は、イベント測定と慣性測定を融合して、高速および HDR 環境でのエゴモーション推定を可能にすることに焦点を当てています。
ただし、既存の方法は主に、同期センサーと離散時間フレームワーク向けに設計された IMU 事前統合に依存しています。
本稿では、GPO と呼ばれる時間ガウス過程 (TGP) に基づく連続時間事前積分手法を提案します。
具体的には、事前積分を時間インデックス付きの運動軌跡としてモデル化し、効率的な 2 ステップの最適化を活用して、高精度の事前積分擬似測定を初期化します。
私たちの方法は、初期化とクエリのそれぞれに線形で一定の時間コストを実現します。
この提案をさらに検証するために、GPO を利用して非同期イベント慣性オドメトリを設計し、同じオドメトリ システム内の他の非同期融合スキームと比較します。
公開データセットと独自に収集したデータセットの両方で行われた実験は、提案された GPO が精度と効率の点で大きな利点を提供し、非同期センサー フュージョンの処理において既存のアプローチを上回るパフォーマンスを発揮することを示しています。

要約(オリジナル)

Event cameras, as bio-inspired sensors, are asynchronously triggered with high-temporal resolution compared to intensity cameras. Recent work has focused on fusing the event measurements with inertial measurements to enable ego-motion estimation in high-speed and HDR environments. However, existing methods predominantly rely on IMU preintegration designed mainly for synchronous sensors and discrete-time frameworks. In this paper, we propose a continuous-time preintegration method based on the Temporal Gaussian Process (TGP) called GPO. Concretely, we model the preintegration as a time-indexed motion trajectory and leverage an efficient two-step optimization to initialize the precision preintegration pseudo-measurements. Our method realizes a linear and constant time cost for initialization and query, respectively. To further validate the proposal, we leverage the GPO to design an asynchronous event-inertial odometry and compare with other asynchronous fusion schemes within the same odometry system. Experiments conducted on both public and own-collected datasets demonstrate that the proposed GPO offers significant advantages in terms of precision and efficiency, outperforming existing approaches in handling asynchronous sensor fusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google