SAFT：利用自监督鲁棒立体匹配技术实现水下车辆的实时跟踪与绘图

《IEEE Transactions on Neural Networks and Learning Systems》：SAFT: Real-Time Tracking and Mapping With Self-Supervised Robust Stereo Matching for Underwater Vehicles

　　水下机器人实时跟踪与映射框架SAFT通过自监督立体匹配和时空约束损失实现高效密集重建，在船舱场景中达到稳定实时性能。

　　

摘要：

对于水下航行器而言，鲁棒且高效的跟踪与定位技术至关重要，但由于视觉质量下降、特征不明显以及计算资源有限，这些任务仍然具有挑战性。尽管最近基于深度学习的立体匹配方法显著提升了机器人的几何感知能力，但大多数现有方法难以同时实现高速度和强泛化能力。为了解决这些问题，我们提出了SAFT框架，该框架基于自监督、鲁棒性的实时立体匹配技术。SAFT框架引入了三项关键创新：1) SAFT-Stereo：一种新型立体匹配网络，它将成本聚合与迭代优化相结合，从而在特征稀疏区域实现高效的视差估计；2) 一种时空自监督损失函数，该函数利用空间和时间约束在无纹理区域提供稳定的训练信号；3) SAFT-DSOL：一种实时跟踪与定位算法，它整合了自监督模型以实现鲁棒的定位和密集重建。在公开和定制的水下数据集上的广泛实验表明，SAFT-Stereo在所有实时方法中表现出最佳的泛化性能，且其推理时间仅为RT-IGEV++的1/6。此外，SAFT-DSOL能够在室内沉船场景中实现稳定高效的跟踪和实时密集重建。相关代码可在github.com/c237814486/SAFT-Stereo获取。