离线视觉-惯性定位中的对抗性慢姿态漂移检测与恢复
计算机视觉与模式识别
2025-09-10 v1 多媒体
摘要
视觉-惯性定位 (VIO) 通过融合摄像头和惯性测量单元 (IMU) 数据，支持实时姿态估计，从而实现沉浸式虚拟现实 (VR)。然而，当前将 VIO 卸载至边缘服务器的趋势会导致服务器端威胁面扩大，细微的姿态欺骗会累积为显著漂移，同时能规避启发式检测。在本文中，我们研究了这一威胁，并提出了一种无监督、无标签的检测与恢复机制。该方法在无攻击的会话期间进行训练，以学习运动的时间规律性，用于检测运行时偏差并发起恢复以恢复姿态一致性。我们在 ILLIXR 测试平台上进行了真实的离线 VIO 环境测试，涵盖多种欺骗强度。在众多已知绩效指标方面的实验结果表明，与无防御基线相比，本方法显著降低了轨迹和姿态误差。
引用
@article{arxiv.2509.07130,
title = {Detection and Recovery of Adversarial Slow-Pose Drift in Offloaded Visual-Inertial Odometry},
author = {Soruya Saha and Md Nurul Absur and Saptarshi Debroy},
journal= {arXiv preprint arXiv:2509.07130},
year = {2025}
}
备注
12 Pages, 8 Figures