ASRO-DIO: アクティブサブスペースランダム最適化に基づく深度慣性オドメトリ

高次元の非線形状態推定は、慣性補助ナビゲーションシステム（INS）の中心にあります。従来の方法は通常、良好な初期化に依存しており、カメラの動きが速いために大規模なフレーム間変換を扱うのに困難を抱えています。これらの課題に対処するために、深度慣性オドメトリ（DIO）問題をランダム最適化を用いて解決します。高次元状態空間における候補状態のサンプリングが指数的に増大するため、アクティブサブスペースのアイデアに基づいた非常に効率的なランダム最適化の変種を提案します。私たちの方法は、各イテレーションでコスト関数の減少に最も重要に寄与するアクティブ次元を特定し、対応するサブスペース内の候補状態のみをサンプリングします。これにより、DIOの18D状態空間を効率的に探査し、数千の候補状態のみをサンプリングして評価することで良好な最適性を達成します。実験では、私たちの方法が高速なカメラ動作や低照度条件下でも、初期化のためにスローモーションでのウォームアップを必要とせずに、高度な頑健性と正確なDIOを達成することが示されています。