UL-VIO：具有噪声鲁棒测试时自适应的超轻量级视觉惯性里程计
计算机视觉与模式识别
2026-03-19 v1
摘要
数据驱动的视觉惯性里程计（VIO）因其性能而备受关注，因为 VIO 是自主机器人中的关键组成部分。然而，将其部署在资源受限的设备上并非易事，因为庞大的网络参数需要占用设备内存。此外，由于测试时的环境分布偏移，这些网络在部署后可能面临失效风险。有鉴于此，我们提出了 UL-VIO——一种基于视觉惯性一致性、具备测试时自适应（TTA）能力的超轻量级（<1M）VIO 网络。具体而言，我们在对网络进行模型压缩的同时保留了低层编码器部分，包括所有 BatchNorm 参数，以实现资源高效的测试时自适应。与现有最优方法相比，其网络尺寸缩小了 36 倍，而误差仅有微小增加——在 KITTI 数据集上增加了 1%。对于测试时自适应，我们提出使用惯性参考的网络输出作为伪标签，并更新 BatchNorm 参数，以实现轻量且有效的自适应。据我们所知，这是首个在 VIO 上执行噪声鲁棒 TTA 的工作。在 KITTI、EuRoC 和 Marulan 数据集上的实验结果证明了我们的资源高效自适应方法在具有动态领域偏移的多种 TTA 场景下的有效性。
引用
@article{arxiv.2409.13106,
title = {UL-VIO: Ultra-lightweight Visual-Inertial Odometry with Noise Robust Test-time Adaptation},
author = {Jinho Park and Se Young Chun and Mingoo Seok},
journal= {arXiv preprint arXiv:2409.13106},
year = {2026}
}