Estimación eficiente de ego-moción en tiempo continuo para asociaciones de datos basadas en eventos asíncronos

Las cámaras de eventos son sensores de visión bioinspirados que miden asíncronicamente los cambios de brillo por píxel. La alta resolución temporal y la asincronía de las cámaras de eventos ofrecen un gran potencial para estimar el estado de movimiento del robot. Trabajos recientes han adoptado métodos de estimación de ego-moción en tiempo continuo para explotar la naturaleza inherente de las cámaras de eventos. Sin embargo, la mayoría de los métodos adoptados tienen un bajo rendimiento en tiempo real. Para aliviar esto, se propone un marco de estimación basado en Procesos Gaussianos (GP) ligero para estimar de manera eficiente la trayectoria de movimiento a partir de asociaciones de datos impulsadas por eventos asíncronos. Concretamente, se diseña una tubería de front-end asíncrona para adaptar rastreadores de características impulsados por eventos y generar trayectorias de características a partir de flujos de eventos; se presenta un back-end dinámico paralelo de ventana deslizante dentro del marco de regresión GP dispersa en SE(3). Notablemente, se emplea una estrategia de marginalización de estado especialmente diseñada para garantizar la consistencia y la escasez de esta regresión GP. Los experimentos realizados en conjuntos de datos sintéticos y del mundo real demuestran que el método propuesto logra una precisión competitiva y una robustez superior en comparación con el estado del arte. Además, las evaluaciones de tres trayectorias de 60 s muestran que la propuesta supera al método basado en ISAM2 en términos de eficiencia computacional en 2.64, 4.22 y 11.70 veces, respectivamente.