Adaptive VIO: Deep Visual-Inertial Odometry with Online Continual Learning

本文提出了一种新的单目视觉惯性里程计——自适应 VIO，它将在线连续学习与传统的非线性优化相结合。自适应 VIO 由两个网络组成，用于预测视觉对应和 IMU 偏差。与使用网络融合两种模态（相机和 IMU）特征并直接预测姿态的端到端方法不同，我们在 VIO 系统中将神经网络与视觉惯性束调整相结合。优化后的估计值将被反馈到视觉和 IMU 偏差网络中，以自我监督的方式优化网络。这样的学习-优化-结合框架和反馈机制使得系统能够进行在线连续学习。实验表明，我们的自适应 VIO 在 EuRoC 和 TUM-VI 数据集上表现出了自适应能力。总体性能超过了目前已知的基于学习的 VIO 方法，并且与最先进的基于优化的方法相当。

如何提高VIO系统的泛化能力，适应不同环境和传感器属性？

将在线持续学习与传统非线性优化相结合，构建自适应VIO系统，并通过反馈机制对神经网络进行自我训练和优化。

Adaptive VIO系统通过自适应学习和优化，能够适应不同环境和传感器属性，实验结果表明该系统的表现优于当前已知的基于学习的VIO方法，并与基于优化的最先进方法相当。

与本论文相关的研究包括：Learning Visual-Inertial Odometry with Recurrent Neural Networks、DeepVIO: A Deep Learning Approach for Monocular Visual-Inertial Odometry等。