学习锚定视觉里程计：基于 KAN 的 planetary landing 位姐回归
机器人学
2026-02-10 v1 计算机视觉与模式识别
摘要
准确且实时的 6 自由度定位是自主月球着陆的核心任务，但现有方法存在局限：视觉里程计（VO）会无限漂移，而基于地图的绝对定位在纹理稀缺或低光环境下失效。我们提出 KANLoc，一种单目定位框架，将 VO 与轻量且鲁棒的绝对姿态回归器紧密耦合。其核心是一种Kolmogorov-Arnold 网络（KAN），它学习从图像特征到地图坐标的复杂映射，生成稀疏但高度可靠的全局姿态锚点。这些锚点被融入 bundle adjustment 框架中，有效抵消漂移，同时保持局部运动精度。KANLoc 提供了三大创新：(i) 基于 KAN 的姿态回归器，在参数效率极佳的前提下实现高精度；(ii) 一种混合 VO-绝对定位方案，实现全球一致的实时轨迹（≥15 FPS）；(iii) 针对传感器遮挡的定制数据增强策略提升鲁棒性。在真实可信的合成数据和真实月球着陆数据集上，KANLoc 将平均平移误差降低 32%，旋转误差降低 45%，单条轨迹的改进幅度可达 45%/48%，超越强基准方法。
引用
@article{arxiv.2602.06968,
title = {Learning to Anchor Visual Odometry: KAN-Based Pose Regression for Planetary Landing},
author = {Xubo Luo and Zhaojin Li and Xue Wan and Wei Zhang and Leizheng Shu},
journal= {arXiv preprint arXiv:2602.06968},
year = {2026}
}
备注
8 pages, accepted by RA-L