SUPER -- 面向视觉惯性定位的灵敏度基不确定性感知性能与风险评估框架
机器人学
2025-12-17 v1
摘要
虽然许多视觉里程计（VO）、视觉惯性里程计（VIO）和 SLAM 系统实现了高精度，但大多数现有方法未在运行时进行风险评估。本文提出了 SUPER（Sensitivity-based Uncertainty-aware PErformance and Risk assessment），一个通用且可解释的框架，通过灵敏度传播不确定性信息，以实现视觉惯性定位中的实时风险评估。其科学新颖之处在于推导了一个后端无关的实时风险指示器，利用高斯牛顿正规矩阵的 Schur 补块来传播不确定性。实际上，Schur 补捕捉了反映不确定性对风险发生影响的灵敏度。我们的框架基于残差幅度、几何条件数和短期 horizons 时间趋势来估计风险，而无需地面真值知识。我们的框架能够可靠地预测 50 帧 ahead 的轨迹退化，准确率提高了 20%。此外，SUPER 能以 89.1% 的召回率启动停止或重新定位策略。该框架后端无关，运行实时，仅增加不到 0.2% 的 CPU 开销。实验表明，SUPER 提供了一致的不确定性估计。SLAM 评估突出了其在长期地图构建中的适用性。
引用
@article{arxiv.2512.14189,
title = {SUPER -- A Framework for Sensitivity-based Uncertainty-aware Performance and Risk Assessment in Visual Inertial Odometry},
author = {Johannes A. Gaus and Daniel Häufle and Woo-Jeong Baek},
journal= {arXiv preprint arXiv:2512.14189},
year = {2025}
}