CMax-SLAM: Event-based Rotational-Motion Bundle Adjustment and SLAM System using Contrast Maximization

本文研究了使用事件相机进行旋转运动估计的问题。事件相机是受生物启发的视觉传感器，可以捕捉像素级强度变化并输出异步事件流。与传统相机相比，它们在处理机器人和计算机视觉中的具有挑战性的场景，如高速和高动态范围方面具有巨大潜力。过去十年中已经开发了几种基于事件的旋转估计方法，但它们的性能尚未在统一标准下进行评估和比较。此外，这些先前的工作没有考虑全局优化步骤。因此，本文以两个目标为导向，对这个问题进行了系统研究：总结以前的工作并提出我们自己的解决方案。首先，我们在理论和实验上比较了先前的工作。其次，我们提出了第一个基于事件的仅旋转束调整（BA）方法。我们利用最先进的对比度最大化（CMax）框架来制定它，这是一个原则性的框架，避免了将事件转换为帧的需要。第三，我们使用所提出的BA构建了CMax-SLAM，这是第一个仅旋转基于事件的SLAM系统，包括前端和后端。我们的BA能够在离线（轨迹平滑）和在线（CMax-SLAM后端）两种情况下运行。为了展示我们方法的性能和多功能性，我们在合成和真实数据集上进行了全面的实验，包括室内、室外和空间场景。我们讨论了现实世界评估的缺陷，并提出了一个代理来评估基于事件的旋转BA方法的重投影误差作为评估标准。我们发布了源代码和新颖的数据序列，以造福社区。我们希望这项工作能够更好地理解并促进基于事件的自我运动估计的进一步研究。项目页面：https://github.com/tub-rip/cmax_slam。

该论文研究使用事件相机进行旋转运动估计的问题。既要总结之前的工作，又要提出自己的解决方案。

该论文提出了一种基于对比度最大化（CMax）框架的事件相机旋转运动估计方法，避免了将事件转换为帧的过程。同时，还提出了第一个基于事件相机旋转运动估计的捆绑调整（BA）方法，并使用该方法构建了第一个事件相机旋转运动SLAM系统。

论文使用了综合的实验，包括合成和真实数据集，包括室内、室外和空间场景。论文还提出了一个用于评估事件相机旋转运动BA方法的新的评估指标。此外，作者还公开了源代码和新的数据集，以促进更多的研究。

在这个领域中，最近的相关研究包括：《Event-based Vision: A Survey》、《Event-based 6-DOF Pose Tracking for High-speed Maneuvers》、《Real-time 3D Reconstruction and 6-DoF Tracking with Event Cameras》等。