Keytime Gaussian Process Regression实现事件相机立体VO实时估计，精度超ES-PTAM
这篇预印本提出一种基于关键时间插值的连续时间事件相机立体视觉里程计。它只在稀疏关键时间维护位姿和速度状态，用WNOA先验将每个异步测量插值到原始时间戳，从而解耦状态规模与测量数量，在CPU上实时运行。在MVSEC和DSEC数据集上，估计频率分别约22 Hz和6 Hz，相对平移/旋转RMS误差为0.46 cm和0.038度，分别比ES-PTAM改善11倍和15倍。
能否在不牺牲事件相机异步时间分辨率的前提下，将连续时间高斯过程视觉里程计的状态规模压缩到可实时运行？
事件相机以微秒级分辨率输出异步事件，但传统离散VO将事件累积成帧，丢失原生时间戳，在高速运动和低光照下性能下降。连续时间GP方法（如GPCT）虽然能处理异步测量，但需为每个测量时刻维护状态，状态规模随事件数增长，后端优化无法实时。
离散方法如ES-PTAM在后端将事件分组，仅估计离散时刻位姿；连续时间GPCT使用WNOA先验和MC-RANSAC，但每个测量时刻一个状态，状态规模大；基于B样条的连续时间方法常需先验地图或数值雅可比，难以实时。
本文在WNOA高斯过程框架中引入关键时间插值：只在每个事件簇最后一个事件处创建关键时间状态，测量残差仍在每个事件的原始时间戳通过相邻关键时间状态插值计算。后端使用GTSAM iSAM2进行增量批量优化，解析雅可比保持稀疏性；前端累积事件簇（MVSEC每簇10500事件，DSEC每簇150000事件），用LIBVISO2跨5个簇匹配特征，并用MC-RANSAC以恒速模型剔除离群点。采用生产者-消费者架构，必要时跳过事件簇以维持实时。
在MVSEC indoor1/indoor3上，与GPCT相比：关键时间方法最终全局误差分别为4.8%和6.9%（GPCT为6.6%和5.5%），相对RMS误差为4.1e-3和3.7e-3（GPCT为4.7e-3和3.8e-3），精度相当但状态规模显著减小。与ES-PTAM对比：在MVSEC上估计频率22 Hz，在DSEC上约6 Hz；在可与ES-PTAM比较的序列中，除dsec_city_4b外全局平移和旋转误差均更优。所有序列上的相对RMS误差均优于ES-PTAM，整体平移RMS为0.46 cm，旋转RMS为0.038度，分别是ES-PTAM的1/11和1/15。评估在公开数据集回放上进行，使用i7-9750H CPU和16GB内存，未报告真机在线实验。
作者未明确列出局限，但论文显示：全部评估基于公开数据集回放，没有真实机器人在线闭环测试；前端依赖事件簇聚合成伪帧再提取特征，可能未能完全发挥稀疏异步事件的优势；DSEC上部分序列全局漂移仍达数米（如dsec_city_4d最终14.3%路径长度），需要回环检测或融合IMU等进一步抑制。方法仅支持双目事件相机，未扩展到单目或视觉惯性配置。论文未报告开源代码，且为预印本未经同行评审。
适合需要低延迟、抗运动模糊和强光照变化的视觉定位系统，如自动驾驶、无人机、高速机器人、AR/VR。方法已在普通CPU上实现实时，近1至3年可集成到现有事件相机SLAM系统，作为后端替换提升异步处理效率。前提是需要高效事件特征提取器、闭环检测模块，并在真实车辆或机器人上验证鲁棒性和漂移。3年以上可望用于量产自动驾驶或消费级设备，若解决单目/IMU融合和长期一致性。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。