概述
视觉里程计通过跟踪图像在帧与帧之间的变化来估计相机如何在世界中移动。这很重要，因为它可以让机器人、无人机和 AR 设备在没有 GPS 的情况下仅使用视觉来了解自己的位置。
视觉里程计属于计算机视觉工作流程，它解释或生成用于分析、操作和创造力的视觉媒体。
深入探讨
视觉里程计 (VO) 通过分析连续图像来逐步估计相机的运动、平移和旋转。基于特征的管道检测关键点，跨帧匹配或跟踪它们，并根据匹配点之间的几何关系计算相对姿势，然后将这些增量链接到轨迹中。相反，直接方法可以在没有明确特征的情况下最大限度地减少光度误差（像素强度差异）。 VO 是许多 SLAM 系统的前端，但完整的 SLAM 构建并维护具有闭环的全局地图，而普通 VO 则专注于局部帧到帧的运动。它的弱点是漂移：每帧的小错误会随着时间的推移而累积。 VO 为自动驾驶汽车、行星漫游车、GPS 拒绝环境中的无人机以及 AR/VR 中的耳机跟踪提供动力。
技术洞察
单目 VO 从基本矩阵中恢复运动，该矩阵编码两个视图之间的对极几何形状并分解为旋转和平移，但仅限于未知的尺度。立体或 RGB-D 相机使用已知的基线或深度来解决尺度模糊性。许多现代系统将 VO 与 IMU（视觉惯性里程计）融合，紧密耦合加速度计和陀螺仪数据，以提高快速运动、低纹理或运动模糊期间的鲁棒性。
掌握视觉里程计
视觉里程计通过跟踪图像在帧与帧之间的变化来估计相机如何在世界中移动。这很重要，因为它可以让机器人、无人机和 AR 设备在没有 GPS 的情况下仅使用视觉来了解自己的位置。视觉里程计属于计算机视觉工作流程，它解释或生成用于分析、操作和创造力的视觉媒体。为了建立深入的理解，请将视觉里程计视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用视觉里程计的强大团队会平衡准确性与数据质量、照明差异和标签一致性等操作现实。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
视觉人工智能可以大规模自动化检查、检测和标记任务。同时，如果出处不明，肖像权和同意可能会成为法律风险。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
视觉人工智能可以大规模自动化检查、检测和标记任务。
视觉人工智能可以大规模自动化检查、检测和标记任务。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
创意团队可以通过更少的手动修改更快地构建概念原型。
创意团队可以通过更少的手动修改更快地构建概念原型。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
操作可以使用以前难以处理的图像和视频信号。
操作可以使用以前难以处理的图像和视频信号。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
毅力号等火星探测器使用视觉里程计来跟踪车轮打滑并在没有 GPS 的情况下导航地形
AR/VR 耳机通过机载摄像头跟踪头部位置，实现由内而外的 6DoF 跟踪
无人机在室内或无 GPS 的环境中保持稳定的飞行和导航
自动驾驶汽车和机器人将摄像头运动与 IMU 数据融合，以在地图更新之间进行定位
实施模式
视觉里程计的实践
像毅力号这样的火星探测器使用视觉里程计来跟踪车轮打滑并在没有 GPS 的情况下导航地形。
像 Perseverance 这样的火星探测器使用视觉里程计来跟踪车轮打滑并在没有 GPS 的情况下导航地形。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪随着时间的推移而提高的生产力和错误成本时，通常会得到更好的结果。
视觉里程计的实践
AR/VR 耳机通过机载摄像头跟踪头部位置，实现由内而外的 6DoF 跟踪。
AR/VR 耳机通过机载摄像头跟踪头部位置，实现由内而外的 6DoF 跟踪 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
视觉里程计的实践
无人机在室内或无 GPS 的环境中保持稳定的飞行和导航。
无人机在室内或无 GPS 的环境中保持稳定的飞行和导航 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
视觉里程计的实践
自动驾驶汽车和机器人将摄像头运动与 IMU 数据融合，以在地图更新之间进行定位。
自动驾驶汽车和机器人将摄像头运动与 IMU 数据融合，以在地图更新之间进行定位当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
如果出处不明，肖像权和同意可能会成为法律风险。
模型性能可能因光照、人口统计和环境的不同而有所不同。
除非监控置信阈值，否则误报可能会被忽视。
实施路线图
定义精确度、召回率和错误成本的接受标准。
定义精确度、召回率和错误成本的接受标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用符合实际生产条件的数据进行测试。
使用符合实际生产条件的数据进行测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为低置信度或高影响力的预测添加人工审核。
为低置信度或高影响力的预测添加人工审核。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪模型漂移并在相机或数据集更改后重新验证。
跟踪模型漂移并在相机或数据集更改后重新验证。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。