使用视觉基础模型进行高效通信的相对姿势估计，以实现短暂的协作感知

相对姿态估计是多机器人系统中协作感知和协调的基本能力。然而，在现实环境中相遇的机器人通常在较短的交互窗口内运行，并且必须在有限的通信带宽下运行，并且由于遮挡或有限的视野而导致间歇性或缺失的视觉重叠。现有方法通常依赖于全局参考系，假设持续的视图重叠，或产生高昂的通信成本，从而限制了它们对短暂协作感知的适用性。为了应对这些挑战，我们引入了通信高效的相对姿态估计（CERPE），这是一个系统级框架，可协调视觉基础模型以联合估计自我运动和机器人间相对姿态。 CERPE 通过使用连续共享的固定大小描述符来独立于姿态估计来控制事件触发的原始​​图像请求，从而减少不必要的原始观察交换。非重叠遭遇是通过通过度量缩放的自我运动传播机器人间相对姿势来处理的，从而即使在没有视觉重叠的情况下也能保持相对姿势估计。模拟和现实世界机器人中的实验表明，CERPE 在短暂协作感知中的选定基线上改进了 6-DoF 相对姿态估计。