基于无监督深度学习的单目视觉里程计

近年来,视觉实时定位与建图技术(visual simultaneous localization and mapping,VSLAM)技术取得了快速发展。然而,大多数传统的VSLAM系统存在鲁棒性较差的问题而基于深度学习的VSLAM存在精度较低等问题。为了提高VSLAM系统的性能,提出了一种基于无监督深度学习的单目VSLAM。该方法首先设计深度估计网络完成对图像的深度估计。然后,设计位姿估计网络进行相机的位姿估计。最后,使用合理的损失函数保证网络在迭代过程中的有效收敛。在KITTI数据集上验证了该系统的性能。实验结果表明,与SfMLearner相比,绝对轨迹误差(absolute trajectory error,ATE)降低大约50%。与传统的VSLAM系统相比,绝对位姿误差(absolute pose error,APE)的平移部分误差也明显下降且鲁棒性得到提升。