Scalix：不确定性感知尺度一致的单目 SLAM

相机因其紧凑的外形和通过视觉信息捕获的感知丰富性而成为机器人技术中无处不在的传感器。单目 SLAM 使机器人能够以最少的设置了解环境，但它本质上存在尺度模糊性。一种常见的解决方案是提供多模态传感器配置，例如视觉惯性系统，除非机器人在恒速运动（移动机器人中的常见场景）下导航，否则可以观察到尺度。随着深度学习的出现，几何基础模型已被用来解决这个问题，但深度图通常有噪声并且跨帧尺度不一致。在本文中，我们提出了 Scalix，一种实时单目 SLAM 框架，通过将学习的深度线索集成到概率因子图公式中来实现度量尺度状态估计。通过增加现有的单目深度模型的每像素深度不确定性和每帧尺度不确定性，Scalix 将尺度预测视为其优化中的独立测量，从而通过多视图数据关联提高尺度一致性。大规模室外和室内环境中的实验展示了在公制和规模基准上最先进的性能，同时保持实时操作和泛化。