odomerty 与 ego-motion estimation的区别

最近在看视觉里程计（VO），发现有很多论文用的是ego motion estimation，二者好像都是估计相机的相对运动，想问一下二者有什么区别？以及是否都是适合应用于slam？

不知道你这个问题是否已经解决, 如果还没有解决的话:

你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/1090379
这篇博客也不错, 你可以看下SLAM 基础学习记录（3）关于SLAM 基础学习记录1和2的改进与部分遗留问题解决
除此之外, 这篇博客: 计算机视觉与深度学习 | 开源SLAM、视觉里程计综述（SLAM、Visual Odometry）中的 视觉里程计综述 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
引言

#########################################
github：https://github.com/MichaelBeechan
CSDN：https://blog.csdn.net/u011344545
欢迎star/fork：https://github.com/MichaelBeechan/Visual-Odometry-Review
#########################################

这是一篇关于目前开源SLAM、开源VO视觉里程计的综述博客

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^

视觉里程计（Visual Odometry, VO）和ego motion estimation（自我运动估计）两者都是用于估计相机的运动，但是它们的主要区别在于问题的规模和应用的场景。 VO是一种通过从连续帧间提取特征并估计它们之间的运动来估计相机自身运动的技术。VO通常用于为机器人或移动设备提供位置估计和导航，通常用于SLAM系统中，包括MSCKF、VINS-MONO等系统中。而自我运动估计（Ego Motion Estimation）是一种更通用的技术，它旨在估计相对于环境的相机运动，而不考虑环境中的其他运动或物体的状态。这个问题的规模比VO要小，通常仅需要一对相邻帧的特征匹配，通过计算基础矩阵或本质矩阵来估计两帧之间的相机运动。自我运动估计通常用于机器人、自动驾驶汽车等应用程序中，以了解车辆的运动状态。因此，VO的应用场景相对较为特定，并且需要更大的计算复杂度和更多的输入图像。而自我运动估计在应用场景方面更为广泛，因为它可以轻松地从两个相邻的图像中获得相机的运动信息，计算效率也更高。综上所述，VO和自我运动估计之间存在明显的区别，根据应用场景需要选择相应的技术。对于需要实时估计相机位置并建立地图的应用，如自动驾驶和移动机器人，VO更适合，而自我运动估计则更适用于一些其他的运动状态估计。