Enhancing Visual Place Recognition via Fast and Slow Adaptive Biasing in Event Cameras

事件相机由于其低延迟、高能效和高动态范围等优点，在机器人领域越来越受欢迎。然而，它们的下游任务性能很大程度上受到偏置参数的优化的影响。例如，这些参数调节了触发事件所需的光强度变化，这取决于环境光照和相机运动等因素。本文介绍了反馈控制算法，通过两种交互方法自动调整偏置参数：1）即时的快速适应不应期，设置连续事件之间的最小间隔；2）如果事件速率在多次更改不应期后仍超过指定范围，则控制器会适应像素带宽和事件阈值，在所有像素上经过一段短时间的噪声事件后稳定（缓慢适应）。我们的评估集中在视觉位置识别任务上，其中查询图像与给定的参考数据库进行比较。我们实时地对我们的算法的自适应反馈控制进行了全面的评估。为此，我们收集了QCR-Fast-and-Slow数据集，其中包含366次重复遍历100米长的室内实验室环境的Scout Mini机器人的DAVIS346事件相机流（总行驶距离超过35公里），在不同的亮度条件下具有地面真实位置信息。与标准偏置设置和先前的反馈控制方法相比，我们提出的反馈控制器表现出更好的性能。我们的研究还详细说明了偏置调整对任务性能的影响以及对快速和缓慢适应机制的特征消融研究。

本论文旨在通过反馈控制算法自动调整偏置参数，以提高事件相机在机器人领域中的下游任务表现。这是否是一个新问题？

论文提出了两种相互作用的反馈控制算法，一种是快速调整绝对不应小于的最小连续事件间隔（即不应过于频繁），另一种是在快速调整无效的情况下，通过调整像素带宽和事件阈值来进行缓慢调整。这种方法相比当前领域的研究有什么新意？

论文通过实时评估提出的反馈控制算法，使用了QCR-Fast-and-Slow数据集进行了全面的评估，并与标准偏置设置和先前的反馈控制方法进行了比较。实验结果表明，所提出的反馈控制器在任务表现上表现出更好的性能。值得关注的是，论文详细说明了偏置调整对任务表现的影响，并进行了特征消融研究，分析了快速和缓慢适应机制的影响。

最近在这个领域中，还有一些相关的研究被进行，例如“Event-Based Visual Inertial Odometry with Online Error Correction for MAVs”和“Probabilistic 3D Motion Estimation with Event Cameras”。