面向双目视觉惯性里程计的场景自适应线感知视觉测量条件化

《Sensors》：Scene-Adaptive Line-Aware Visual Measurement Conditioning for Stereo Visual–Inertial Odometry

　　

摘要

精确的立体视觉-惯性测量对于在全球导航卫星系统（GNSS）拒止及结构复杂环境中运行的移动机器人至关重要。在立体视觉-惯性里程计（VIO）中，姿态与轨迹输出强烈依赖于传感器融合更新之前视觉前端所提供的点测量。在纹理稀疏但结构规则的场景中，即使存在具有信息量的线条结构，被跟踪的点特征也可能表现出持续性差、空间分布不均以及局部跟踪噪声等问题。现有的点-线VIO方法可以通过引入线特征地标或线残差来提升定位精度，但它们通常会修改估计器状态、测量模型以及雅可比矩阵的处理方式。我们提出了一种面向点测量更新的立体VIO前端的场景自适应线感知视觉测量条件化方法。该方法利用二维图像线段作为轻量级结构先验，并在固定接口的VIO后端更新之前，对可靠的点测量施加有界的法向条件化。稀疏剪枝保护机制仅在强结构支撑下移除高度不一致的长期跟踪轨迹，而场景级置信度门控在线条证据微弱或不稳定时减弱干预强度。该方法在S-MSCKF流水线中进行了实例化与评估。在报告的EuRoC MAV序列上，相比S-MSCKF，序列平均绝对轨迹误差（ATE）均方根值降低约13%，在机器大厅序列上降低3%–27%。在三段带有RTK辅助惯性参考的实机测量序列上，平均Sim(2)对齐的平面位置误差从8.72米降至7.31米，平均偏航误差从降至；额外的保尺度SE(2)评估揭示了序列依赖的平面行为及残余度量尺度敏感性。候选级立体一致性诊断表明，图像域扰动均值为亚像素级、第95百分位亦为亚像素级，且不存在系统性垂直立体偏差，而最终可靠性加权的主视角更新在报告的实现中解析上界约为0.221像素。运行时分析显示，在测试CPU平台上前端平均耗时为33.34毫秒，接近30 Hz立体输入对应的33.3毫秒帧周期，尽管运行时为47.23毫秒，超过了严格的逐帧30 Hz预算。这些结果表明，线感知的前端条件化可以在不修改评估后端接口的情况下，提升结构化立体视觉-惯性感知中的视觉测量质量。