[论文解读] Continuous Event-Line Constraint for Closed-Form Velocity Initialization

Xin Peng, Wanting Xu+2 more|arXiv (Cornell University)|Sep 9, 2021

Advanced Memory and Neural Computing参考文献 27被引用 5

一句话总结

本文提出连续事件线约束（CELC），一种新颖的闭式解法，用于利用事件流和已知角速度进行尺度不定的线性相机速度估计。通过利用三焦点张量几何与时空线簇，CELC 实现了无需初始猜测的鲁棒速度初始化，在模拟与真实事件数据上结合非线性优化后显著提升了性能。

ABSTRACT

Event cameras trigger events asynchronously and independently upon a sufficient change of the logarithmic brightness level. The neuromorphic sensor has several advantages over standard cameras including low latency, absence of motion blur, and high dynamic range. Event cameras are particularly well suited to sense motion dynamics in agile scenarios. We propose the continuous event-line constraint, which relies on a constant-velocity motion assumption as well as trifocal tensor geometry in order to express a relationship between line observations given by event clusters as well as first-order camera dynamics. Our core result is a closed-form solver for up-to-scale linear camera velocity {with known angular velocity}. Nonlinear optimization is adopted to improve the performance of the algorithm. The feasibility of the approach is demonstrated through a careful analysis on both simulated and real data.

研究动机与目标

• 解决事件视觉-惯性里程计中线性速度初始化的关键挑战，该问题缺乏鲁棒的自启动方法。
• 开发一种不依赖初始猜测的线性速度闭式解法，与大多数基于非线性优化的方法不同。
• 利用三焦点张量几何与事件流中的连续线观测，推导用于运动估计的几何约束。
• 实现在视觉-惯性系统中的速度级融合，通过避免惯性数据的双重积分降低计算成本。
• 为事件相机的对极几何与相对运动估计奠定基础，将经典方法扩展至脉冲神经传感器。

提出的方法

• 利用三焦点张量几何构建连续事件线约束（CELC），在恒定速度运动下关联三个相机位姿之间的线观测。
• 将事件簇建模为时空线段，并利用其在时间上的几何一致性，推导出相机速度的线性约束。
• 在已知角速度与恒定速度假设下，推导出尺度不定线性速度的闭式解。
• 应用非线性优化以精炼初始闭式估计，提升真实与模拟数据上的精度。
• 使用时空窗口（例如 ~0.7s，100万条事件）提取线簇，并从事件流中执行速度估计。
• 在聚类前分离正负极性事件，以提升密集或重叠区域的线检测精度。

实验结果

研究问题

• RQ1 能否从事件流中的连续线观测中推导出几何约束，以实现无需初始猜测的相机速度估计？
• RQ2 三焦点张量几何能否适配事件数据，以建模三维线与自身运动之间的关系？
• RQ3 在事件系统中，已知角速度与恒定速度假设下，是否存在线性速度的闭式求解器？
• RQ4 所提出的 CELC 方法在真实与模拟事件数据上的精度与鲁棒性方面，相较于现有基线方法表现如何？
• RQ5 该方法能否有效用于在速度级而非位置级对视觉-惯性里程计系统进行自启动？

主要发现

• CELC+opt（含非线性优化）的精度显著优于仅使用 CELC 的情况，证明了精炼策略的有效性。
• CELC 通过利用全部事件测量值，而非仅依赖 2D 线拟合质量，优于基线方法 CE3LC。
• 在 AGV 数据集上，CELC 经优化后平均平动误差为 0.1476 m/s，旋转误差为 0.1471 rad。
• 在 UAV 数据集上，CELC+opt 在最佳序列中将平动误差降低至 0.1118 m/s，旋转误差降低至 0.1119 rad。
• 该方法在高速场景（如 11.23 m/s 的 UAV 飞行）中成功提取并跟踪线簇，此时强度图像已模糊且无法使用。
• 该算法在低分辨率（346×260 像素）下仍具鲁棒性，表明其在紧凑事件相机上的部署潜力。