Resumo: Na Odometria Visual Monocular, existem várias abordagens relacionadas à otimização de pose e estrutura. Algumas permitem o uso de observações em granularidade fina (ex.: pontos de interesse), mas requerem um número grande de parâmetros. Isso limita a densidade da reconstrução de estrutura e o número de poses que podem ser otimizadas em tempo real. Nós investigamos uma caracterização com poucos parâmetros da Odometria Visual que consiste apenas de poses e das posições de epipolos em pares de imagens. Fazemos isso formulando um tipo indireto de Bundle Adjustment, onde parâmetros de estrutura como profundidade inversa de pontos são substituídos por epipolos da geometria de dois pontos de vista. Nossa formulação permite a reconstrução da cena com a mesma densidade que qualquer conjunto de associações de pontos-chave. Além disso, tal reconstrução não aumenta o número de parâmetros quando o número de pontos aumenta e possui custo computacional de tempo linear no número de pontos. Para verificar se a formulação proposta reflete dados do mundo real, construímos uma pipeline de Odometria Visual baseada em características (indireta) que minimiza o erro da reprojeção com relação às poses e epipolos. Nós usamos gradientes de segunda ordem para otimizar as poses na álgebra do SE(3) e os epipolos em seu espaço original. Daí executamos a odometria e a reconstrução de cena na base de dados KITTI. Os experimentos mostram que a abordagem proposta de fato se encaixa com observações reais e tem resultados de odometria compatíveis com os da literatura, ao mesmo tempo que exerce controle sobre a estrutura sem usar parâmetros de pontos Ver menos

Abstract: In Visual Odometry, there are many approaches related to the optimization of pose and structure. Some allow for fine-grained use of the observations, like feature points, but require many parameters. This limits the density of structure reconstruction and the number of poses that can be optimized in real-time. In this work, we propose a low-parameter characterization of Visual Odometry that consists solely of poses and the locations of eipoles in pairs of images. We do that by formulating an indirect type of Bundle Adjustment that consists of replacing structure parameters like inverse point depths with epipoles from two-view geometry. Our formulation allows us to reconstruct the scene with the same density as any set of point associations provided. Furthermore, this reconstruction does not increase the number of parameters when the number of points increases, and it has a linear computational time cost on the number of points. To check if the proposed formulation fits real-world data, we build a feature-based (indirect) VO pipeline that minimizes the reprojection error concerning poses and epipoles. We employ second-order gradients to optimize the poses in the algebra of SE(3) and the epipoles in their original space. Then, we perform odometry and structure reconstruction in the KITTI dataset. Experiments show that the proposed approach indeed fits real observations and has odometry results compatible with the literature while allowing for some control over structure without point parameters Ver menos