摘要
在机器人SLAM（同时定位与地图构建）和视觉定位中，局部特征匹配起着关键作用。然而，在纹理较少的室内工业环境中，基于外观的轻量级方法往往难以学习出具有区分性和稳定性的局部特征。为了解决这一挑战，本文提出了GAEFeat（Geometry-Aware Efficient Feature的缩写），这是一种轻量级的视觉-几何特征学习网络。为了解决专用训练数据的稀缺问题，我们将机器人臂的姿态先验与深度信息相结合，自动生成跨视图监督信号和表面法线标签。基于这一策略，我们构建了两个互补的数据集，包括一个模拟数据集和一个真实世界数据集，以支持在纹理较少的室内工业环境中的特征学习和评估。在特征提取方面，我们设计了一种双重增强机制，包括一个几何辅助分支和一个几何感知增强（GAE）模块。前者通过表面法线监督引导网络感知局部表面结构，后者利用门控机制实现几何先验与2D纹理描述符之间的深度融合。实验结果表明，GAEFeat在相对姿态估计、单应性估计和视觉定位任务中表现出强大的鲁棒性和高推理效率，尤其是在近距离、纹理较少的工业场景中具有显著优势。该框架在NVIDIA Jetson AGX Orin边缘平台上仅需3.9毫秒的推理延迟，证明了其实时能力和在边缘计算环境中的实际应用潜力。
