基于自适应评分与匹配质量加权的MEMS惯性-事件视觉融合回环检测（MEVFusion-LD）

《Micromachines》：MEVFusion-LD: Adaptive Scoring and Match-Quality-Weighted Loop-Closure Detection Based on MEMS Inertial and Event Vision Fusion

　　

事件相机与低成本微机电系统（MEMS）惯性测量单元（IMU）广泛应用于事件视觉惯性里程计（EVIO）。然而，MEMS陀螺仪的偏置不稳定性与噪声会加速漂移累积，使得回环检测对于全局一致性至关重要。现有EVIO系统大多沿用传统视觉惯性里程计的回环检测流程，其固定评分阈值与原始内点计数在高速运动或高动态范围光照下事件帧质量波动时性能下降。本文提出MEVFusion-LD，通过自适应评分与匹配质量加权融合MEMS惯性与事件视觉测量。首先，自适应评分阈值（AST）机制根据查询评分的一阶与二阶统计量在线更新候选进入阈值，并施加双侧钳位。其次，时序一致性投票在滑动缓存窗口内累积检索投票，以抑制偶发虚假候选。第三，匹配质量加权验证（MQWV）以质量加权内点比率替代原始内点计数进行几何确认，随后通过4自由度位姿图优化实现在线漂移校正。在均采用MEMS级惯性传感器采集的VECtor与MVSEC数据集上的实验表明，MEVFusion-LD相对ESVIO、ESIO与PL-EVIO分别将平均绝对轨迹误差降低29.8%、41.1%与50.0%，在11个序列中的9个上取得最优精度，仅回环模块即可使ATE平均降低52.8%。

研究背景方面，立方星、微卫星、行星巡视器与在轨服务机器人等空间系统日益小型化，对星载传感器的质量、体积与功耗形成严格约束，MEMS惯性传感器因体积小、成本低、功耗低而被广泛采用，但MEMS陀螺仪的偏置不稳定性与噪声高于战术级或导航级陀螺仪，其误差特性直接影响依赖MEMS惯性传感器的导航算法设计。事件相机作为仿生视觉传感器，以微秒级时间分辨率异步报告像素级亮度变化，并具备高动态范围（HDR）与低延迟特性，适用于空间态势感知、航天器抖动下的星跟踪以及恶劣光照下行星机器人位姿估计等任务。将事件相机与MEMS IMU融合得到事件视觉惯性里程计（EVIO），是一种轻量、互补、低功耗的传感器套件。现有EVIO基准数据集中，VECtor采用Xsens MTi-30 MEMS航姿参考系统（AHRS），MVSEC采用集成于事件相机的MPU-6150消费级六轴MEMS IMU，故EVIO算法性能与MEMS惯性器件误差特性内在耦合。回环检测精度与可靠性强烈影响事件视觉惯性系统的全局一致性与长期定位精度，由于重力强烈约束横滚与俯仰，漂移主要在偏航与平移方向累积，使回环约束尤为重要，这在惯性漂移更大、累积更快的MEMS-IMU辅助系统中更为显著。PL-EVIO与ESVIO等事件视觉惯性系统通常沿用VINS-Mono与ORB-SLAM3等传统系统的回环检测框架，即利用BRIEF描述子与DBoW2模型检索回环候选，随后进行描述子匹配、基础矩阵RANSAC、PnP RANSAC与位姿优化。检索评分、候选选择与几何验证相互依赖，但现有系统在各阶段普遍采用固定决策规则，存在三方面局限：其一，候选决策依赖单次检索评分，缺乏时序约束或利用检索历史抑制孤立评分错误的机制；其二，固定阈值假设评分分布稳定，而该分布随场景纹理与事件帧质量变化，阈值过高会漏检弱纹理场景中的回环，过低则在重复场景中引入过多候选；其三，基于固定原始内点计数的几何确认忽略了内点数相同的匹配集之间在描述子可靠性与重投影精度上的差异。这些决策规则局限共同导致候选选择不稳定、验证可用可靠匹配不足以及虚假回环误差传播至估计轨迹。

针对上述问题，研究人员提出MEVFusion-LD，一种通过自适应评分与匹配质量加权融合MEMS惯性与事件视觉测量的回环检测方法。该方法保留“先检索后验证”流程，但替换其三处决策规则，同时保持里程计前端、词袋词表与位姿图后端不变。主要贡献包括：提出自适应评分方案，根据每次BoW查询评分的均值与标准差在线计算候选进入阈值，使候选门限跟随场景相关评分分布，触发器作为钳位下界保障运行，逐查询自适应性由候选阈值而非触发器承载；提出结合检索级区间排除与时序一致性投票的候选决策机制，在滑动缓存窗口内累积检索结果投票并排除时间相邻伪回环，降低孤立评分错误与偶发虚假检测的影响；提出匹配质量加权验证（MQWV）准则，将最优描述子汉明距离与每个内点的重投影误差结合形成加权内点比率，采用双条件准则默认以该比率门控接受，而当强内点数量足够大时可直接确认候选，随后通过4自由度位姿图优化实现在线漂移校正。

在关键技术方法上，研究采用BRIEF-256二进制描述子并沿用标准差为2、尺寸为9×9的高斯平滑与48像素描述子块及相同模式文件；使用分支因子为10、深度为6、含10⁶个视觉单词的预训练层次BRIEF词表，并以词频-逆文档频率（TF-IDF）加权进行BoW检索评分与L1相似度计算；采用基础矩阵RANSAC与PnP RANSAC两阶段几何验证；构建4自由度位姿图并以Cholesky分解求解、采用Huber核约束回环边影响；实验在VECtor与MVSEC两个公开数据集的11个序列上开展，前者采用Xsens MTi-30 MEMS AHRS（200 Hz），后者采用DAVIS346事件相机集成的MPU-6150六轴MEMS IMU，评价指标为经SE(3) Umeyama对齐后的绝对轨迹误差（ATE）均方根误差。

研究结果方面，在“MEVFusion-LD回环消融实验”中，通过回环启用与禁用的对比表明，回环闭合在全部11个测试序列上均提升精度，相对禁用配置平均ATE降低52.8%，且任一序列精度均未退化，降幅从mountain_fast的11.1%到mountain_normal的81.9%不等，说明收益依赖序列时长、运动特性与场景纹理；逐组件消融显示，在mountain_fast上中位ATE从传统模块的0.1123 m依次降至降低触发工作点后的0.0495 m、加入时序一致性投票后的0.0374 m与加入质量加权验证后的0.0313 m，robot_fast与mountain_normal呈类似递减趋势；去除回退机制使robot_fast从0.0274 m退化至0.0357 m；检索深度实验表明深度由4增至12虽增加验证与接受回环数，但ATE未单调下降，深度2则使精度退化，故保留深度4为工作点。在“MEVFusion-LD定位精度对比实验”中，通过与PL-EVIO、ESIO、ESVIO在11个序列上的对比表明，MEVFusion-LD在全部11个序列上优于启用回环的ESVIO，逐序列平均ATE降低26.8%，并在9个序列上取得四种方法中的最优精度；整体上将平均ATE从ESVIO的0.1329 m降至0.0933 m（降低29.8%），相对ESIO（0.1584 m）降低41.1%，相对PL-EVIO（0.1865 m）降低50.0%；最大改进出现在mountain_normal，ESVIO的RMSE达0.3595 m（甚至劣于禁用回环的0.3362 m），而MEVFusion-LD降至0.0607 m；仅在robot_normal上PL-EVIO略优；在hdr_normal上的ATE热图与误差分布显示MEVFusion-LD轨迹几乎全部处于低误差区间，最大ATE降至0.070 m。在“MEVFusion-LD回环检测性能分析”中，通过流水线统计表明几何验证通过率强烈依赖场景：mountain_fast上375次触发仅接受3个回环（通过率0.8%），mountain_normal上389次触发接受137个（35.2%），快速运动序列通过率为6.7%至22.4%，规则场景为68.3%至85.4%；基于真值标注的分析表明mountain_fast上3个接受对均为真实回环（精确率100%），但验证阶段召回率仅4.4%，体现验证阶段的精度优先取舍；阈值行为分析表明触发器决策在全部1380次热身后查询中与固定0.03下界等价，候选阈值在robot_fast的66.2%查询中低于0.030，但逐查询移动所额外接纳的69对候选无一被接受为回环，故精度差异归因于降低的工作区间及下游时序与几何模块；时序一致性得分在高动态范围或重复纹理序列上明显更高；时序分析表明完整验证查询耗时2.66至12.01 ms，位姿图优化在独立线程运行且积压不超过14个关键帧，满足在线运行要求。

讨论与结论部分，研究人员指出位姿门限30度与20 m、Huber宽度0.1与迭代上限5为全局先验固定设置；在mountain_normal、mountain_fast与robot_fast上的优化在迭代上限内收敛，而Indoor_Flying2的全部九次优化均在上限处停止且未收敛，该上限界定了最坏延迟，但其对最终精度的影响未被评估；高斯模型仅为阈值系数提供启发式动机，不主张维持固定接受比例；二项分布模型仅为随机匹配概率量级提供动机，无决策规则依赖其精确形状；基于计数的强内点旁路在报告序列上从未触发，禁用后决策相同；检索深度增加所接纳的额外回环位置未被记录，相关解释仍属假设。结论部分译为：MEVFusion-LD针对MEMS基事件视觉惯性系统中回环检测的三方面局限——固定评分阈值场景适应性差、候选决策时序约束不足以及几何验证无法区分匹配质量——将自适应评分、时序一致性投票、匹配质量加权与4自由度位姿图优化相结合以实现在线轨迹漂移校正；实验结果表明在全部11个测试序列上均取得精度提升，回环模块平均降低ATE 52.8%、最高降低81.9%；与启用回环的PL-EVIO、ESIO与ESVIO相比，MEVFusion-LD在相同硬件配置下于每个序列上均优于ESVIO，平均ATE降低29.8%，在9个序列上取得最优精度，其毫秒级查询时间支持在线运行；由于主流EVIO基准采用MEMS级惯性传感器，且MEMS传感器主导无人机、立方星与空间机器人等受质量、体积与功耗约束的平台，所提出的自适应回环框架对需要长期无外部定位运行的资源受限平台具有相关性；未来工作将评估面向空间应用设计的事件视觉数据集与实验设施，并在统一估计框架内研究MEMS陀螺仪误差状态与回环约束之间的耦合。