基于最优传输线关联与自适应不确定性的鲁棒视惯性定位系统——OTPL-VIO
计算机视觉与模式识别
2026-03-11 v1 机器人学
摘要
在低纹理场景和强烈照度变化下，鲁棒的立体视惯性定位( VIO )仍具有挑战性，因为点特征变稀且不稳定，导致关联模糊且估计受限。虽然线状结构提供了互补的几何线索，但许多高效的点-线系统仍依赖点引导的线关联，这在点支撑不足时会失效，可能导致偏置约束。我们提出一种立体点-线 VIO 系统，其中线段配备专用的深度描述子，通过熵正则化的最优传输公式进行匹配，实现在歧义、离群值和部分观测情况下的全局一致对应。该描述子无需训练，由对网络特征图的抽样与池化计算得出。为提高估计稳定性，我们分析了线测量噪声的影响，提出可靠性自适应加权以调节优化过程中对线约束的影响。在 EuRoC 和 UMA-VI 数据集上进行实验，并在低纹理和照度挑战的真实环境中进行部署，结果表明该方法在保持实时性能的同时，相较于代表性基线在准确性和鲁棒性方面均取得改进。
引用
@article{arxiv.2603.09653,
title = {OTPL-VIO: Robust Visual-Inertial Odometry with Optimal Transport Line Association and Adaptive Uncertainty},
author = {Zikun Chen and Wentao Zhao and Yihe Niu and Tianchen Deng and Jingchuan Wang},
journal= {arXiv preprint arXiv:2603.09653},
year = {2026}
}