[论文解读] A Review of Visual Odometry Methods and Its Applications for Autonomous Driving

Kai Li Lim, Thomas Bräunl|arXiv (Cornell University)|Sep 19, 2020

Robotics and Sensor-Based Localization参考文献 95被引用 9

一句话总结

本文综述了用于自动驾驶的单目、双目和视觉-惯性视觉里程计（VO）方法，重点探讨其在运动估计与自定位中的应用。文章强调了在嵌入式系统上实现低成本、高精度VO的最新趋势，指出了实际部署中的挑战，并呼吁尽管依赖于仿真数据集，仍需推进实际应用。

ABSTRACT

The research into autonomous driving applications has observed an increase in computer vision-based approaches in recent years. In attempts to develop exclusive vision-based systems, visual odometry is often considered as a key element to achieve motion estimation and self-localisation, in place of wheel odometry or inertial measurements. This paper presents a recent review to methods that are pertinent to visual odometry with an emphasis on autonomous driving. This review covers visual odometry in their monocular, stereoscopic and visual-inertial form, individually presenting them with analyses related to their applications. Discussions are drawn to outline the problems faced in the current state of research, and to summarise the works reviewed. This paper concludes with future work suggestions to aid prospective developments in visual odometry.

研究动机与目标

• 分析专为自动驾驶应用设计的最新视觉里程计方法。
• 识别当前VO研究中的局限性，特别是基于数据集的评估与实际部署之间的差距。
• 考察单目、双目与视觉-惯性VO在精度、硬件成本与计算负载方面的权衡。
• 评估在低功耗嵌入式系统上部署VO以实现实际自动驾驶车辆应用的可行性。
• 强调需要建立真实世界测试平台，并提升VO开发中的软硬件集成水平。

提出的方法

• 根据传感器配置，将视觉里程计分类为单目、双目和视觉-惯性三种形式。
• 综述基于特征与直接（外观依赖）的VO技术，包括特征提取（SIFT、SURF、ORB、FAST）与跟踪（如PTAM）。
• 分析光流与RANSAC在动态环境中用于运动估计与异常值剔除的应用。
• 评估惯性测量单元（IMUs）与视觉数据的融合，以提升鲁棒性并减少漂移。
• 考察KITTI和TUM等公开数据集在VO算法基准测试中的作用。
• 评估计算需求与硬件限制，特别是向NVIDIA Jetson等嵌入式系统转向以实现实时部署的趋势。

实验结果

研究问题

• RQ1 在自动驾驶场景中，单目、双目与视觉-惯性视觉里程计方法在精度与鲁棒性方面如何比较？
• RQ2 限制视觉里程计在自动驾驶车辆中实际部署的主要挑战是什么？
• RQ3 像KITTI这样的公开数据集在多大程度上能可靠反映VO在多样化真实驾驶环境中的性能表现？
• RQ4 计算约束在多大程度上影响了将视觉里程计部署在嵌入式系统与高端GPU之间的可行性？
• RQ5 传感器融合（如与IMU结合）以及异常值剔除技术（如RANSAC）在提升视觉里程计性能方面发挥什么作用？

主要发现

• 由于PTAM等算法的进展，单目视觉里程计受到关注，能够在存在尺度模糊性的情况下，仅通过2D图像序列实现3D重建。
• 双目VO提供了更好的深度估计，且比单目VO更具鲁棒性，但需要更复杂的硬件与校准流程。
• 视觉-惯性融合显著提升了精度并减少了漂移，尤其在动态或特征稀少的环境中表现更优。
• 尽管在KITTI等基准数据集上表现优异，大多数VO方法仍缺乏真实世界验证，主要受限于高成本与监管障碍。
• NVIDIA Jetson等嵌入式系统正成为实现实时光学里程计的可行平台，但其性能仍不及工作站级GPU。
• 轻量化、高效VO算法的发展趋势日益明显，专为低功耗嵌入式部署优化，预示着向实际自动驾驶车辆集成的转变。