MotionDLO：可变形线性物体的基于事件和帧的混合跟踪

可靠地跟踪移动的可变形线性物体 (DLO)，同时确保鲁棒性、准确性和时间一致的状态估计仍然是机器人感知的基本挑战。我们推出了 MotionDLO，这是一种专门为克服时间连续性和延迟方面的限制而设计的实时跟踪框架。该方法利用基于事件的相机的高时间分辨率和稀疏性，并根据运动相干理论的原理将分割与相干点漂移（CPD）算法相结合。这种集成能够实现时间一致的形状估计，同时保持较低的计算开销。现有的基于事件的跟踪方法通常计算效率较高，但与基于帧的方法相比，准确性降低，或者牺牲事件稀疏性以实现有竞争力的性能。为了解决这种权衡问题，我们提出了一种基于事件和帧的混合跟踪架构，该架构保留了两种传感模式的互补优势。事件流确保高频运动更新，而基于帧的信息稳定空间精度和对象身份。我们证明了所提出的框架能够可靠地关联视频序列中的 DLO 实例，从而为机器人操作任务提供强大的感知。实验结果验证了 12 毫秒更新速率下的实时性能和精确的形状跟踪，点到曲线误差测量精度高达 0.43 毫米，支持操作过程中的动态路径自适应。源代码和演示数据集是公开的。