【泡泡一分钟】超越光度一致性： 基于梯度差异改进视觉里程计和立体匹配
每天一分钟，带你读遍机器人顶级会议文章
标题：Beyond Photometric Consistency: Gradient-based Dissimilarity for Improving Visual Odometry and Stereo Matching
作者：Jan Quenzel,Radu Alexandru Rosu,Thomas Labe,Cyrill Stachniss,Sven Behnke
来源：2020 IEEE International Conference on Robotics and Automation (ICRA)
编译：林一成
审核：
这是泡泡一分钟推送的第 632 篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权
摘要
位置估计和地图构建是自动机器人的核心组成部分，通常依赖于传感器数据的输入。在本文中，我们研究了对输入图像的一种新的度量，其建立在光度误差基础之上。我们的方法结合了一个基于梯度方向的度量和一个大小相关的缩放量。我们将该方法集成到立体估计和视觉里程计系统中，清晰表明我们提出的度量在典型的视差计算和直接图像匹配任务中具有一定优势。我们的实验评估表明我们提出的度量在估计场景深度和相机轨迹任务中提供了更鲁棒和精确的估计。因此，该度量提高了移动机器人估计相机位姿和构建地图的能力。我们相信一系列现有的视觉里程计和视觉SLAM系统能够从本文报道的发现中受益。
图1 第一列图为原始图片，第二列图为增加少量曝光变化和渐晕效应图片，右侧则展示对两张图片进行匹配，采用不同方法计算误差，可以看到光度误差极大的受到干扰，而文中提出的方法（最后一列）则对干扰有较强的鲁棒性。
图2 基于简单实例的梯度度量的误差比较 eugf 倾向于相同方向且对比更强的点，emag没有考虑梯度方向，因此有两个极值，文中提出的esgf则在两种情况下给出了正确的最小值。
图3 由于eugf的错误匹配带来的误差
表1 在2014年Middlebury双目数据集上评估结果
表2 在2015年KITTI双目数据集上的评估结果
表3 在EuRoC数据集上对不同算法进行评估的误差均值
图6 在EuRoC数据集V1_01序列上进行评估，上图为原始DSO得到的轨迹和地图，下图为使用esgf得到的轨迹和地图，可以明显看到地图中墙的重影得到了明显的减少。
图5 对原始算法和两个最好的度量在双目数据集上计算深度图进行差异对比
Abstract
Pose estimation and map building are central ingredients of autonomous robots and typically rely on the registration of sensor data. In this paper, we investigate a new metric for registering images that builds upon on the idea of the photometric error. Our approach combines a gradient orientation-based metric with a magnitude-dependent scaling term. We integrate both into stereo estimation as well as visual odometry systems and show clear benefifits for typical disparity and direct image registration tasks when using our proposed metric. Our experimental evaluation indicats that our metric leads to more robust and more accurate estimates of the scene depth as well as camera trajectory. Thus, the metric improves camera pose estimation and in turn the mapping capabilities of mobile robots. We believe that a series of existing visual odometry and visual SLAM systems can benefifit from the fifindings reported in this paper.