1.研究背景

对于移动机器人，了解环境和估计自身位置很重要。视觉同时定位和建图（SLAM）和视觉里程计(VO)在许多应用中已被证明具有较高的准确性和鲁棒性。通过增加惯性测量单元(IMU)，可以进一步提高VO的精度和鲁棒性，称为视觉惯性里程计(VIO)。然而，非常快的运动或在高动态范围(HDR)照明的场景，对视觉惯性系统仍然造成挑战。

事件相机是一种新型的传感器，由于其极高的时间分辨率和高动态范围，在解决上述限制方面具有巨大的潜力。相比于传统的基于帧的相机周期性地输出所有像素的强度值，事件相机输出事件流，其中事件包括了时间戳、图像坐标与事件极性。只有当一个像素的强度变化大于一个阈值时才会触发这样的事件。因此，在静态场景中，只有在相机运动时才会产生事件。这些事件形成了一个异步的数据流，即使在存在快速运动的情况下，它也能提供可靠的信息。

为了应用或适应传统的基于帧的SLAM算法，一种直接和有效的方法是将事件累加到帧中。 EVO[10]、ESVO[11]和EFVIO[12]是三个具有代表性的工作，它们分别解决了单目、双目和视觉惯性的SLAM问题，它们都是实时的、高精度的。虽然它们都是基于事件帧的SLAM，但积累事件的方式是不同的。事实上，有许多方法和设置可以将事件累加到帧中，但据我们所知，没有论文系统研究如何调整用于事件相机SLAM的累加器设置。

2.论文内容简介

事件相机是一种不同于传统相机的新型传感器。每个像素都是由事件异步触发的。触发事件是在像素上照射的亮度的变化。如果增量或减量高于某一阈值，则输出一个事件。与传统相机相比，事件相机具有动态范围高、无运动模糊的优点。把事件累计成事件帧并采用传统SLAM算法是一种直接有效的基于事件的SLAM方法。本文对用于事件相机SLAM的事件累加器设置进行了研究，分析了切片方法、无运动处理方法、是否使用极性、衰减函数和事件贡献度对SLAM精度的影响。为了进行实验验证，将累加的事件帧输入到传统的SLAM系统中，构建一个基于事件的SLAM系统。在公共数据集上测试了事件累加器的设置策略，结果表明，与以往的研究相比，该方法在大多数数据集上都取得了更好的性能。为了展示我们的方法在一个真实的场景中的潜力，我们在一个四旋翼无人机上运行了我们的方法。研究代码和结果是开源的，以便于其他开发者使用。

https://github.com/robin-shaun/event-slam-accumulator-settings

https://gitee.com/robin_shaun/event-slam-accumulator-settings

3.创新内容与工程应用价值

本文是首个系统研究如何调整用于事件相机SLAM的累加器设置的工作。与以往的基于事件的单目VIO与双目SLAM的研究相比，本文提出的方法在大多数数据集上都取得了更好的性能。本方法为解决高速运动下定位与三维重建的问题提供了一种新思路。 中文编辑，详细描述

4.灵思创奇设备价值

应用价值 本研究使用了灵思创奇的室内飞行场地、动作捕捉系统以及四旋翼无人机。动作捕捉系统提供了位姿真值，用于测试算法精度；四旋翼无人机搭载飞行控制器Pixhawk与机载电脑Xavier NX，后者用于事件相机SLAM的运算。

由于DAVIS346事件相机对于红外波段很敏感，因此动作捕捉系统发出的红外主动光会严重影响相机观测。灵思创奇的动作捕捉系统可以关闭主动光，通过在无人机顶端贴红外LED，既保证了位姿真值的可靠获取，又不影响事件相机的观测。