该论文旨在解决多无人机(UAV)集群系统中快速、准确的相对状态估计问题。研究背景是：传统的基于单目帧式相机的方法在理想条件下表现良好，但存在速度慢、尺度模糊以及在视觉挑战性条件下性能不佳的问题。事件相机(event camera)的出现为解决这些挑战性任务提供了可能，因为它具有低延迟、高动态范围和微秒级时间分辨率的特点。
论文提出了一个使用基于事件的螺旋桨感知进行四旋翼相对状态估计的框架。具体方法包括：
- 通过检测跟踪事件流中的螺旋桨，提取感兴趣区域(region-of-interests)。
- 将这些区域的事件流按时间块处理，以估计每个螺旋桨的频率。
- 将这些频率测量值作为推力输入，驱动一个运动学状态估计模块(kinematic state estimation module)，同时使用相机衍生的位置测量值进行更新。
- 此外，利用从事件流中提取的几何基元(geometric primitives)，通过在螺旋桨上拟合椭圆(ellipse)并将其反投影(backprojecting)来恢复机体坐标系下的倾斜轴(tilt-axis)，从而估计四旋翼的朝向。
论文的核心创新点在于：
- **提出了首个在真实世界户外飞行序列中，基于事件相机进行螺旋桨频率估计的方法**，误差低于3%，而现有的基于事件的四旋翼状态估计方法仅在模拟飞行序列中使用螺旋桨频率。
- **将事件流中的螺旋桨频率估计与几何基元（椭圆拟合）相结合**，实现了对四旋翼相对位置和朝向的联合估计。
- **为多机器人系统提供了一种去中心化的相对定位方法**，该方法利用事件相机的高动态和低延迟特性，克服了传统视觉方法在挑战性环境下的局限性。
论文对该领域的总体贡献是：
- 开发并验证了一个完整的、基于事件相机和螺旋桨感知的四旋翼相对状态估计框架。
- 在真实世界的户外飞行数据集上证明了方法的有效性，将螺旋桨频率估计误差控制在3%以内，为实际应用提供了可行性。
- 提出了一种新颖的、结合频率和几何信息的传感器融合方法，提升了在视觉挑战性条件下的估计鲁棒性和精度。
- 为多无人机集群系统的去中心化相对定位提供了一种有前景的新技术路径，利用了事件相机的独特优势。