控制与决策

作者：彭道刚,欧阳海林,戚尔江,王丹豪

单位：上海电力大学 自动化工程学院,上海 200090;上海发电过程智能管控工程技术研究中心, 上海 200090,,上海电力大学 自动化工程学院,上海 200090,,上海电力大学 自动化工程学院,上海 200090;上海发电过程智能管控工程技术研究中心, 上海 200090,,上海电力大学 自动化工程学院,上海 200090,

关键词：无监督深度学习;视觉里程计;深度估计;光流估计;多视图几何;密集模块

基金：上海市“科技创新行动计划”高新技术领域项目(21511101800).

以多视图几何原理为基础,有效结合卷积神经网络进行图像深度估计和匹配筛选,构造无监督单目视觉里程计方法.针对主流深度估计网络易丢失图像浅层特征的问题,构造一种基于改进密集模块的深度估计网络,有效地聚合浅层特征,提升图像深度估计精度.里程计利用深度估计网络精确预测单目图像深度,利用光流网络获得双向光流,通过前后光流一致性原则筛选高质量匹配.利用多视图几何原理和优化方式求解获得初始位姿和计算深度,并通过特定的尺度对齐原则得到全局尺度一致的6自由度位姿.同时,为了提高网络对场景细节和弱纹理区域的学习能力,将基于特征图合成的特征度量损失结合到网络损失函数中.在KITTI Odometry数据集上进行实验验证,不同阈值下的深度估计取得了85.9%、95.8%、97.2%的准确率.在09和10序列上进行里程计评估,绝对轨迹误差在0.007m.实验结果验证了所提出方法的有效性和准确性,表明其在深度估计和视觉里程计任务上的性能优于现有方法.

来源：2023年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第4期