基于样条的连续时间视觉-惯性-测距融合 Indoor Localization 方法 CT-VIR
机器人学
2026-04-17 v1
摘要
视觉-惯性里程计 (VIO) 广泛用于移动机器人定位，但在无全局约束情况下其长期精度会下降。融合如 ultra-wideband (UWB) 等测距传感器可缓解漂移；然而，高精度测距通常需要完善部署的锚点，而在狭窄或低功耗环境中难以保证。此外，大多数现有的视觉-惯性-测距 (VIR) 融合方法依赖离散时间的滤波或优化，难以在异步多传感器采样情况下平衡定位精度、轨迹一致性和融合效率。为此，我们提出了一种用于 VIR 融合定位的样条-based 连续时间状态估计方法。在预处理阶段，使用 VIO 运动先验和 UWB 测距测量构建虚拟锚点并排除离群值，从而缓解几何退化并提高测距可靠性。在估计阶段，姿态轨迹采用 B-样条在连续时间上进行参数化，视觉、惯性和测距约束作为滑动窗口图中的因子形式化。最终联合优化样条控制点及少量辅助参数，以获得连续时间轨迹估计。在公共数据集和实际实验中评估表明，所提方法有效且具有实际应用潜力。
引用
@article{arxiv.2604.14545,
title = {CT-VIR: Continuous-Time Visual-Inertial-Ranging Fusion for Indoor Localization with Sparse Anchors},
author = {Yu-An Liu and Li Zhang},
journal= {arXiv preprint arXiv:2604.14545},
year = {2026}
}