- 传统**视觉-惯性里程计(Visual-Inertial Odometry, VIO)** 依赖高像素相机，捕捉和处理图像资源消耗大
- 针对**差速驱动机器人(differential-drive robot)** 的平面里程计，现有方法资源需求高
- 研究背景：移动机器人导航需要低成本、低功耗的里程计方案
- 使用**四个向下的光电二极管(photodiodes)**，通过**光学Gabor掩模(optical Gabor masks)** 感知地面，产生编码速度的信号
- 联合优化**Gabor掩模参数** 与**时序卷积网络(Temporal Convolutional Network, TCN)**，利用物理仿真器训练
- TCN从四个光电二极管测量值解码**平移速度(linear speed)**，再结合**IMU角速度(angular speed)** 积分得到连续平面轨迹
- **极简传感设计**：首次用四个光电二极管替代相机，实现**最小化视觉测量(minimalist visual sensing)**
- **物理-学习联合优化(physics-learning co-optimization)**：将光学掩模物理参数与TCN网络参数端到端联合训练，无需真实数据微调
- **跨场景泛化性**：在多样室内外地形上直接跟踪真值，无需任何真实世界微调
- 证明了**极简感知(minimalist sensing)** 可以实现高效且准确的平面里程计，大幅降低计算和硬件成本
- 提出了一种新的**仿生光流编码范式**，结合物理掩模与学习模型
- 在原型传感器上验证了方法的鲁棒性，为低资源移动机器人导航提供了新思路