Visual Odometry
Nistér 2004 · 论文
一句话总结 — 提出了”视觉里程计”这一术语，并展示了基于单目和双目视频的实时、逐帧相机位姿估计，将VO确立为一种实用的导航能力。
问题
在这项工作之前，基于相机的自我运动估计主要以离线运动恢复结构（structure-from-motion）的形式存在：批处理流程需要花费数分钟甚至数小时来处理图像集合。而自主导航所需要的恰恰相反——从视频流中进行增量式、实时、逐帧的位姿估计，且要足够鲁棒，可以在运动中的车辆上运行。Nistér、Naroditsky和Bergen（CVPR 2004）证明了这是可行的：他们的系统”基于视频输入估计双目相机头或单个运动相机的运动”，能够以低延迟实时运行，使得运动估计可用于导航目的——他们类比车轮里程计，将这一能力命名为visual odometry（视觉里程计）。
方法与架构
该流程是一个逐帧循环的四阶段过程（其中没有任何全局优化）：
- 特征检测与匹配 — 在每一帧中检测Harris角点，并使用局部图像块的归一化相关性在连续帧之间进行匹配，从而以视频帧率生成特征轨迹。
- 鲁棒的相对位姿估计 — 标定视图之间的相对位姿是在RANSAC假设-检验循环中，使用Nistér的五点算法计算得到的，该算法作为配套论文发表（“An Efficient Solution to the Five-Point Relative Pose Problem”，同样发表于2004年）。给定标定后的图像点 ，每一组对应关系都通过对极约束来约束本质矩阵：
一个有效的本质矩阵还必须额外满足三次约束（五点算法论文的定理1）：
五组对应关系给出一个 的线性系统，其4维零空间 通过三次约束被化简为一个十次多项式，其实数根即为候选运动。使用最小的五个点使得每一次RANSAC假设的计算成本很低，并最大化抽取到全内点样本的概率；假设在所有匹配上进行打分，外点被剔除。随后从 的SVD分解中恢复出 。 3. 三角化 — 内点匹配被三角化为3D点（在双目配置中，已知基线确定了度量尺度；而在单目情况下，尺度是不可观测的）。 4. 增量位姿链接 — 每帧到帧的相对位姿被依次组合，得到全局轨迹。
其架构上最具决定性的特点是缺失的部分：没有回环检测，没有全局优化，没有位置识别，没有地图复用——漂移会无限累积，这正是VO与完整SLAM的区别所在。
实验结果
已发表的评估结果（IEEE付费墙内容；本笔记无法获取完整文本——完整评估请参见论文）证明了在双目相机头和单个运动相机拍摄的真实视频上，系统能够以低延迟实时运行，其估计结果被用于地面车辆平台的导航；扩展的期刊版本发表为”Visual odometry for ground vehicle applications”（Journal of Field Robotics，2006年）。其持久的量化遗产体现在架构层面：与该工作同时提出的五点求解器成为标定双视图几何的标准工具（OpenCV的findEssentialMat即源自此算法），而”visual odometry”也成为了整个子领域公认的名称。
对SLAM的意义
这篇论文将视觉里程计定义为一个独立的问题，并证明了相机可以作为主要的导航传感器，为后续所有单目SLAM系统奠定了基础。其流程——特征、最小求解器+RANSAC、三角化、位姿组合——至今仍是大多数几何前端的骨架（PTAM甚至使用同样的五点算法进行地图初始化）。理解它所缺失的部分（回环检测、全局一致性）是理解SLAM在VO之上添加了什么的最清晰途径。