ICD-Net：面向无人机的惯性协方差位移网络用于视觉-惯性 SLAM
机器人学
2025-12-02 v1 计算机视觉与模式识别
摘要
视觉-惯性 SLAM 系统常因多种诱因导致性能欠佳，包括传感器校准不完美、测量噪声、快速运动动力学、低光照条件以及传统惯性导航集成方法的内在局限性。这些问题在无人机应用中尤为突出，因为其对稳健且准确的状态估计至关关键，以确保安全的自主操作。本文提出了 ICD-Net，一种新型框架，通过学习处理原始惯性测量数据，生成带有不确定性量化的位移估计。该方法不依赖难以适应现实传感器缺陷的解析惯性传感器模型，而是直接从传感器数据中提取位移图，同时预测反映估计置信度的测量协方差。我们将 ICD-Net 的输出作为额外的残差约束集成到 VINS-Fusion 优化框架中，利用预测的不确定性对神经网络贡献在传统视觉和惯性术语中进行适当加权。所学得的位移约束提供了补充信息，补偿 SLAM 流程中各种误差源。该方法可在正常运行条件下亦可在相机不一致或视觉降解的情况下使用。实验在具有挑战性的高速无人机序列上进行，结果显示相较于标准 VINS-Fusion，本方法在轨迹估计精度上显著提升，平均 APE 提升超过 38%，不确定性估计在维持系统鲁棒性方面发挥关键作用。我们的工作表明，神经网络增强可有效解决多源 SLAM 降级问题，同时满足实时性能要求。
引用
@article{arxiv.2512.00037,
title = {ICD-Net: Inertial Covariance Displacement Network for Drone Visual-Inertial SLAM},
author = {Tali Orlev Shapira and Itzik Klein},
journal= {arXiv preprint arXiv:2512.00037},
year = {2025}
}