面向无人机遥感的事件驱动立体视觉-惯性SLAM：混合边缘化与自适应异构核状态估计方法

《Drones》：HESVI: Event-Based Stereo Visual–Inertial SLAM with Hybrid Marginalization and Adaptive Heterogeneous Kernel for UAV Remote-Sensing Applications

　　摘要无人机（UAVs）已成为在高动态范围（HDR）场景和低纹理区域等 challenging 环境中进行遥感的重要平台。然而，传统的基于帧的视觉-惯性同时定位与建图（SLAM）系统通常会在无人机高速飞行过程中遭受运动模糊和过曝的影响，导致状态估计失败。为了解决事件驱动的立体视觉-惯性SLAM系统在航空应用中存在的边缘化数值不稳定性、场景适应性弱以及异常值抑制不足等问题，我们提出了HESVI，一种面向无人机遥感的混合边缘化与自适应异构核状态估计方法。我们的方法首先建立了焦距驱动的跨模态逆深度一致性约束，以耦合图像和事件的逆深度，为优化提供高质量的先验信息。这种轻量级的先验生成方法是在考虑无人机平台有限的机载计算资源的情况下设计的。随后，我们引入了混合边缘化策略，采用基于Householder反射的块并行瘦高QR（TSQR）加速，并结合动态Tikhonov正则化和首次估计雅可比（FEJ）线性化，以平衡计算效率和数值稳定性。此外，自适应异构Cauchy核根据图像特征和事件特征的平均有效跟踪长度映射差异化阈值，从而实现动态异常值抑制。在VECtor、MVSEC和HKU数据集上的实验表明，HESVI在大多数评估序列上实现了最佳的绝对轨迹误差（ATE），与PL-EVIO、ESIO和ESVIO相比，平均ATE分别降低了47.2%、41.2%和26.8%，其中每个平均值仅基于相应基线成功运行的序列计算。该方法在复杂的遥感场景和泛化测试中也表现出优异的性能。HESVI有效地增强了事件驱动的立体视觉-惯性SLAM系统在具有挑战性的无人机遥感环境中的数值稳定性、场景适应性和定位精度。