Line-Augmented cuVSLAM: Robust Visual Odometry in Low-Texture Environments

arXiv:2610.20958v1 公告类型：新

摘要：仓库和生产设施中的自主移动机器人恰恰运行在那些会使点特征视觉里程计失效的环境中：无特征的通道、单调的墙壁、重复的货架以及镜面地板。然而，这类环境富含直线边缘结构：货架立柱、门框、墙体交接处和柜体轮廓呈现出高对比度的线性边缘，这些边缘在较大的视角变化下保持稳定。本文提出对 CUDA 加速的视觉 SLAM 系统 cuVSLAM 的线特征扩展，以恢复这一信号。直线以 Plücker 坐标参数化以进行几何变换，并以 Bartoli 和 Sturm 的最小 4 自由度正交表示进行优化；带有解析雅可比矩阵的 Cauchy 鲁棒点到线残差被直接融入 cuVSLAM 的逐帧高斯-牛顿位姿求解中，相同的直线状态在 Schur 补滑动窗口光束法平差中被联合优化。自适应信息权重使直线恰好在点特征变得稀疏时承担更多的估计负担，且该扩展向现有求解器添加残差块，而非引入第二个估计器，在禁用时精确退化为未修改的点特征流水线。在 RGB-D 模式下、采用 SE(3) Umeyama 对齐且不做尺度校正进行评估，线特征在 TUM RGB-D Freiburg3 数据集的 22 个序列上将平均绝对轨迹误差降低 38.5%，在 8 个 Replica 房间与办公室序列上降低 30.1%，其中平移误差中位数下降 38.9%，旋转误差中位数下降 66.4%，在所有测试配置中均无跟踪失败。