面向视觉里程计前端的图像条件自适应参数调优
计算机视觉与模式识别
2026-03-24 v1
摘要
资源受限的自主机器人依赖稀疏的直接法和半直接法视觉（-惯性）里程计（VO）流程，因为它们在精度、鲁棒性和计算成本之间提供了有利的权衡。然而，大多数系统的性能关键取决于控制特征检测、跟踪和外点剔除的手动调优超参数。这些参数通常在部署期间固定不变，尽管它们的最优值会随场景特征（如纹理密度、光照、运动模糊和传感器噪声）而变化，导致在真实环境中性能脆弱。我们提出了首个用于在线调优 VO 前端参数的图像条件强化学习框架，有效地将专家知识嵌入到系统中。我们的核心思想是将前端配置形式化为一个序列决策问题，并学习一个直接将视觉输入映射到特征检测和跟踪参数的策略。该策略在训练期间使用一个轻量级的纹理感知 CNN 编码器和一个特权评论家。与先前仅依赖内部 VO 统计量的强化学习方法不同，我们的方法观察图像内容，并在跟踪性能下降之前主动调整参数。在 TartanAirV2 和 TUM RGB-D 上的实验显示，尽管完全在仿真中训练，特征跟踪长度提高了 3 倍，计算成本降低了 3 倍。
引用
@article{arxiv.2603.21785,
title = {Image-Conditioned Adaptive Parameter Tuning for Visual Odometry Frontends},
author = {Simone Nascivera and Leonard Bauersfeld and Jeff Delaune and Davide Scaramuzza},
journal= {arXiv preprint arXiv:2603.21785},
year = {2026}
}