{
  "paper_id": "01fce6a04d40158095d59accb54b80ec",
  "paper_title": "BEV-ODOM2: Enhanced BEV-based Monocular Visual Odometry with PV-BEV Fusion and Dense Flow Supervision for Ground Robots",
  "paper_authors": [
    "Yufei Wei",
    "Chenxiao Hu",
    "Wangtao Lu",
    "Sha Lu",
    "Yuxiang Cui",
    "Fuzhang Han",
    "Rong Xiong",
    "Yue Wang"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "Scale-consistent ego-motion estimation is fundamental for autonomous ground robots. Bird’s-Eye-View (BEV) representation naturally addresses the scale drift problem of monocular visual odometry (MVO) by providing a metric-scaled planar workspace, enabling the simplification of 6-DoF ego-motion to a more robust 3-DoF model. However, existing BEV-based methods suffer from two key limitations: sparse supervision signals from pose-only training, and information loss during perspective-to-BEV projection. We present BEV-ODOM2, an enhanced framework that addresses both limitations without requiring additional annotations. Our approach introduces (1) dense BEV optical flow supervision constructed directly from 3-DoF pose ground truth for pixel-level guidance, and (2) Perspective View (PV)-BEV fusion that computes correlation volumes before projection to preserve 6-DoF motion cues. An enhanced rotation sampling strategy further balances diverse motion patterns during training. We evaluate on four datasets with varied spatial scales: KITTI, Oxford, NCLT, and our newly collected ZJH-VO benchmark. BEV-ODOM2 achieves a 40% RTE improvement over prior BEV-based methods, with real-time inference on an NVIDIA Jetson AGX Orin confirming edge deployment feasibility. The source code and the ZJH-VO dataset are publicly released to facilitate future research.\n",
  "keywords": [
    "Monocular visual odometry",
    "bird’s-eye-view representation",
    "scale-consistent ego-motion estimation",
    "dense supervision",
    "autonomous ground robots",
    "mobile robot perception"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:50.602890Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\nBEV-ODOM2 针对现有 BEV 单目视觉里程计的两个核心局限——仅位姿训练的稀疏监督信号，以及透视到 BEV 投影造成的信息损失——提出统一增强框架。相关工作表明 BEV 表示可通过统一度量网格将地面机器人运动简化为 3-DoF (x,y,yaw)，从而抑制单目尺度漂移，但 BEV-ODOM 等仅用 3-DoF 位姿监督的方法缺乏像素级引导，且 LSS 式投影会丢失 pitch、roll 和 z 轴平移等非主运动线索。为此，本文利用 BEV 网格的度量一致性，从 3-DoF 位姿真值直接构造密集 BEV 光流真值，核心机制为 F_flow-gt[u,v]=P(T_rel p_veh)-[u,v]；同时增加 PV 分支，在 LSS 投影前计算相关体以保留 6-DoF 运动信息，再投影到 BEV 与原生 BEV 相关体融合。网络采用共享 ResNet-50+FPN 骨干、LSS 投影和 UNet 解码器，训练损失包括 3-DoF 位姿损失、5-DoF PV 位姿损失和密集流损失，并引入 70:30 高旋转采样策略平衡运动模式。实验在 KITTI、Oxford、NCLT 和新采集的 ZJH-VO 四个数据集上进行，覆盖郊区、城市、校园和室内多尺度场景；BEV 网格为 128×128、分辨率 0.8m，相关窗口 11×11，Adam 优化器训练 100 轮。结果显示 BEV-ODOM2 相比先前 BEV 方法 RTE 提升约 40%，在 NCLT 上 RTE 5.01%、RRE 2.14°/100m，Oxford 上 RTE 4.60%、RRE 1.02°/100m，KITTI 平均 ATE 4.49m，ZJH-VO 平均 RTE 3.57%，并在 NVIDIA Jetson AGX Orin 上以 TensorRT 加速达到 21.84/16.73 FPS，验证边缘部署可行性。进一步探索方向包括多相机 360°感知、重定位与回环检测、自适应时序模型以及全模型量化剪枝；实际场景中可作为 GPS 在隧道、车库和室内丢失约 10 秒时的航位推算备份，但主要限制是机器人需在近似平面地面运动，陡坡或剧烈颠簸会降低精度。\n\n### 关键要点\n\n- BEV-ODOM2 提出双策略增强 BEV 单目视觉里程计：密集 BEV 光流监督和 PV-BEV 融合，仅用位姿真值构造监督，无需额外标注。\n- 方法将地面机器人运动简化为 3-DoF (x,y,yaw)，利用 BEV 统一度量网格隐式锚定尺度，抑制单目尺度漂移。\n- 密集 BEV 光流真值由 3-DoF 相对位姿直接构造：F_flow-gt[u,v]=P(T_rel p_veh)-[u,v]，为每个 BEV 像素提供对应学习目标。\n- PV 分支在 LSS 投影前计算相关体，保留 pitch、roll 和 z 轴平移等 6-DoF 运动线索，再投影到 BEV 与原生 BEV 相关体拼接融合。\n- 网络结构包括共享 ResNet-50+FPN 特征提取、LSS 投影、UNet 解码器预测密集流和 3-DoF 位姿，PV 分支额外回归 5-DoF 位姿。\n- 损失函数包含 3-DoF 位姿损失、5-DoF PV 位姿损失和密集流损失，权重 λ1=0.2、λ2=0.1，辅助监督不主导训练。\n- 增强旋转采样按 70:30 从高旋转与标准旋转帧对中采样，缓解直线驾驶偏差，提升转弯等少见动作的估计鲁棒性。\n- 实验覆盖 KITTI、Oxford、NCLT 和新采集的 ZJH-VO 数据集；ZJH-VO 含 12 条轨迹、12666 帧、3054 米，覆盖地下车库、室外广场、走廊和密集办公室。\n- 相比先前 BEV 方法，BEV-ODOM2 的 RTE 提升约 40%；NCLT RTE 5.01%、RRE 2.14°/100m，Oxford RTE 4.60%、RRE 1.02°/100m，KITTI 平均 ATE 4.49m，ZJH-VO 平均 RTE 3.57%。\n- 消融实验显示增强旋转采样、密集流监督和 PV-BEV 融合均带来一致改进，其中密集流监督在 ZJH-VO 上使 RTE 改善近 30%。\n- 计算效率方面，BEV-ODOM2 在 RTX 4090 上达到 69.52/56.62 FPS，在 Jetson AGX Orin 上经 TensorRT 加速后达到 21.84/16.73 FPS，满足嵌入式实时需求。\n- 主要局限是机器人需在近似平面地面运动，陡坡或剧烈颠簸会降低精度；未来方向包括多相机感知、回环检测、自适应时序模型和模型量化剪枝。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}