0. 筆者個(gè)人體會(huì)

事件相機(jī)因?yàn)楸容^貴，研究相對(duì)小眾，但是在一些領(lǐng)域還是有非常好的效果。事件相機(jī)估計(jì)的是像素強(qiáng)度變化（事件）流，可以達(dá)到微秒級(jí)的時(shí)間分辨率，并且沒(méi)有運(yùn)動(dòng)模糊?；谑录乃俣扔?jì)主要難點(diǎn)是利用事件生成模型中編碼的光度和幾何約束，實(shí)時(shí)解決跟蹤和建圖子問(wèn)題。

今天筆者將為大家分享港科大沈劭劼團(tuán)隊(duì)的最新工作，能夠以較低的延遲恢復(fù)度量尺度下的瞬時(shí)線速度。

1. 效果展示

這個(gè)速度計(jì)框架以事件數(shù)據(jù)和IMU測(cè)量作為輸入。圖中所示分別為：(a) 無(wú)人機(jī)在狹窄走廊中進(jìn)行攻擊行為。(b) 基于事件的流估計(jì)。(c) 相應(yīng)的深度估計(jì)。(d) 歸一化瞬時(shí)線速度估計(jì)結(jié)果。這里也推薦工坊推出的新課程《徹底搞懂視覺-慣性SLAM：VINS-Fusion原理精講與源碼剖析》。

2. 具體原理是什么？

注意這項(xiàng)工作不包括建圖，只有速度計(jì)系統(tǒng)，使用事件和IMU估計(jì)線速度。作者認(rèn)為可以不用估計(jì)事件相機(jī)的位置，恢復(fù)瞬時(shí)線速度更符合事件相機(jī)的差分工作原理。因此基于事件的速度計(jì)采用連續(xù)時(shí)間公式，增量地融合來(lái)自事件相機(jī)和慣性測(cè)量單元的異構(gòu)測(cè)量。

3. 和其他SOTA方法對(duì)比如何？

實(shí)驗(yàn)設(shè)備是13700K CPU，實(shí)驗(yàn)結(jié)果證明這個(gè)方法能夠以較低的延遲恢復(fù)度量尺度下的瞬時(shí)線速度。

每個(gè)序列上的AVE對(duì)比結(jié)果。

作者：Xiuyuan Lu, Yi Zhou, Shaojie Shen

審核編輯：黃飛