English
Trajectory-based Stereo Visual Odometry with Statistical Outlier Rejection
文件大小：
1408k
资源说明：We present a stereo visual odometry algorithm with trajectorical information accumulated over time and consistency among multiple trajectories of different motions. The objective function considers transfer error of all previously observed points to reduce drifting, and can be efficiently approximated and optimized within a computational bound. Different from traditional residual-based consistency measurement, we exploit the linear system in non-linear optimization to evaluate the influence of e
《基于轨迹的立体视觉里程计与统计异常值剔除》
立体视觉里程计（Stereo Visual Odometry，SVO）是计算机视觉中的基础问题，它通过捕捉到的图像来求解相机的自身运动。尽管已经得到了广泛的研究和应用，如机器人和自动驾驶等领域，但在基准测试和实际应用中，其准确性得到了证明。然而，与同时定位和建图（Simultaneous Localization and Mapping，SLAM）不同，视觉里程计不太关注世界结构，因此难以从全局信息中获益，例如闭环检测。这导致了两个主要问题：一是由于累积误差而产生的漂移，二是因突然变化（如其他移动物体）引起的突发错误。
本文提出了一种稳健的立体视觉里程计方法，旨在处理这两种类型的误差。我们遵循经典的框架，最小化匹配关键点之间的转移误差。利用关键点的整个轨迹来减少漂移，同时限制项的数量以平衡精度和效率。为了解决突发错误，我们根据每个点的影响力对其进行异常值剔除。
传统的残差基一致性度量方法在非线性优化中可能存在局限性，而我们的方法则利用线性系统来评估每个点对剔除异常值的影响。这种方法可以更精确地判断哪些观测点可能是异常值，从而避免它们对估计结果的干扰。
在算法设计上，我们引入了时间积累的轨迹信息，通过对不同运动状态下的多个轨迹进行一致性检查，增强了系统的鲁棒性。这使得系统能够在处理大量异常值的困难场景时仍能保持稳定的表现，而无需进行昂贵的计算。
实验部分，我们使用真实世界的数据集验证了该方法的有效性。结果显示，即使在存在大量异常值的复杂环境中，我们的方法也能有效地处理ego-motion的估计，减少了漂移并降低了突发误差的影响。这为视觉里程计在实际应用中的性能提升提供了新的解决方案。
这篇研究论文贡献在于：
1. 提出了一种结合轨迹信息的视觉里程计算法，用以减少漂移和处理突发错误。
2. 利用线性系统进行非线性优化，实现异常值的有效剔除，提高了算法的鲁棒性。
3. 通过多运动轨迹的轨迹一致性，增强了对复杂环境的适应能力，尤其是在存在大量异常值的情况下。
这些创新点对于解决视觉里程计中的核心问题具有重要意义，并为未来的研究提供了新的思路和技术参考。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
