摘要
从单目图像进行相机定位是一个长期存在的挑战，然而其在动态环境下的鲁棒性仍未得到充分解决。相较于传统的几何方法，现代基于卷积神经网络（CNN）的方法（如PoseNet）在应对光照变化或视角变化方面已展现出较高的可靠性，但仍存在以下局限性：首先，前景运动物体未被显式建模处理，导致在动态环境中性能下降且结果不稳定；其次，现有方法对每张图像的输出仅为单一的点估计，缺乏不确定性量化能力。本文提出了一种通用框架，可应用于现有的基于CNN的位姿回归器，以提升其在动态环境中的鲁棒性。核心思想是引入一种先验引导的Dropout模块，并结合自注意力（self-attention）模块，使CNN在训练和推理阶段均能有效忽略前景运动物体。此外，该Dropout模块使位姿回归器能够输出多个候选位姿假设，从而实现对位姿估计不确定性的量化，并进一步在后续的不确定性感知位姿图优化（uncertainty-aware pose-graph optimization）中加以利用，显著增强整体系统的鲁棒性。在RobotCar数据集上，我们的方法取得了平均定位精度9.98米/3.63度的性能，相比当前最先进方法分别提升了62.97%和47.08%。本文实现的源代码已开源，地址为：https://github.com/zju3dv/RVL-dynamic。