SMF-VO: スパースモーションフィールドによる直接自己運動推定

- 軽量な『motion-centric』なVisual OdometryフレームワークSMF-VOの提案。 - 従来の『pose-centric』なVO/VIOのように絶対カメラposeを推定せず、sparse optical flowから瞬間的なlinear/angular velocityを直接推定する。 - 明示的なpose推定や高コストなlandmark trackingを不要とする。 - 広視野レンズを含む各種camera modelに対応するgeneralized 3D ray-based motion field定式化を採用。 - mobile roboticsやwearable devices向けのスケーラブルで効率的な代替手法を目指す。

- 従来のVO/VIOは『pose-centric』で、local mapから絶対camera poseを計算するため、大規模なlandmark維持と継続的なmap optimizationが必要で計算コストが高い。 - SMF-VOはpose推定やlandmark trackingを回避し、sparse optical flowから速度を直接推定することで、resource-constrained devicesでのreal-time性能の制約を緩和する。 - benchmark datasetsで高い効率性と競争力のある精度を示し、CPUのみのRaspberry Pi 5上で100 FPS超を達成。

- sparse optical flowから瞬間的なlinear velocityとangular velocityを直接推定する『motion-centric』な枠組み。 - 明示的なpose estimationや高コストなlandmark trackingを不要とする。 - generalized 3D ray-based motion field formulationを採用し、wide-field-of-view lensesを含む各種camera modelで正確に動作する。 - 詳細なアルゴリズム構成や最適化手順は要旨からは不明。

- benchmark datasets上で効率性と精度を評価。 - CPUのみのRaspberry Pi 5上で100 FPS超を達成し、効率性を実証。 - 精度は『competitive accuracy』と報告されているが、具体的な比較手法やデータセット名は要旨からは不明。

- 従来のpose-centric手法に対するmotion-centric手法のスケーラビリティと効率性を主張。 - mobile roboticsやwearable devicesへの適合性を議論。 - 精度面の限界、failure cases、他手法との詳細な比較、generalized 3D ray-based formulationの適用範囲は要旨からは不明。

- 従来のVO/VIOの代表的手法（例: ORB-SLAM系、VINS-Monoなどのvisual-inertial odometry）。 - sparse optical flowに基づくVO手法（例: SVO）。 - direct法に基づくVO（例: DSO）。 - 広視野カメラモデル（例: fisheye/omnidirectional camera model）に関する研究。 - 要旨で具体的に参照・比較されている論文名は不明。