0. 筆者個人體會

事件相機因為比較貴，研究相對小眾，但是在一些領域還是有非常好的效果。事件相機估計的是像素強度變化（事件）流，可以達到微秒級的時間分辨率，并且沒有運動模糊。基于事件的速度計主要難點是利用事件生成模型中編碼的光度和幾何約束，實時解決跟蹤和建圖子問題。

今天筆者將為大家分享港科大沈劭劼團隊的最新工作，能夠以較低的延遲恢復度量尺度下的瞬時線速度。

1. 效果展示

這個速度計框架以事件數據和IMU測量作為輸入。圖中所示分別為：(a) 無人機在狹窄走廊中進行攻擊行為。(b) 基于事件的流估計。(c) 相應的深度估計。(d) 歸一化瞬時線速度估計結果。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？

注意這項工作不包括建圖，只有速度計系統，使用事件和IMU估計線速度。作者認為可以不用估計事件相機的位置，恢復瞬時線速度更符合事件相機的差分工作原理。因此基于事件的速度計采用連續時間公式，增量地融合來自事件相機和慣性測量單元的異構測量。

3. 和其他SOTA方法對比如何？

實驗設備是13700K CPU，實驗結果證明這個方法能夠以較低的延遲恢復度量尺度下的瞬時線速度。

每個序列上的AVE對比結果。

作者：Xiuyuan Lu, Yi Zhou, Shaojie Shen

審核編輯：黃飛