現(xiàn)有的基于特征的VSLAM系統(tǒng)依賴(lài)于固定的前端參數(shù)，這使得它們?cè)诿鎸?duì)光照突變時(shí)顯得十分脆弱，且特征跟蹤也不穩(wěn)定。為應(yīng)對(duì)這些挑戰(zhàn)，我們提出了“IRAF-SLAM”，這是一種具備光照魯棒性且能自適應(yīng)特征篩選的前端設(shè)計(jì)，旨在提升VSLAM在復(fù)雜且具有挑戰(zhàn)性環(huán)境中的抗干擾能力。

? 文章：

IRAF-SLAM: An Illumination-Robust and Adaptive Feature-Culling Front-End for Visual SLAM in Challenging Environments

? 作者：

Thanh Nguyen Canh, Bao Nguyen Quoc, Haolan Zhang, Bupesh Rethinam Veeraiah, Xiem HoangVan, Nak Young Chong

? 論文鏈接：

https://arxiv.org/abs/2507.07752

? 編譯：

INDEMIND

01本文核心內(nèi)容

盡管在VSLAM算法方面取得了重大進(jìn)展，包括諸如ORB-SLAM和VINS-Mono等標(biāo)志性系統(tǒng)，但在各種現(xiàn)實(shí)條件下實(shí)現(xiàn)穩(wěn)健性能仍是一個(gè)未解決的難題。

限制VSLAM穩(wěn)健性能的關(guān)鍵因素是對(duì)環(huán)境變化的敏感性，尤其是動(dòng)態(tài)光照。現(xiàn)實(shí)場(chǎng)景中經(jīng)常出現(xiàn)具有挑戰(zhàn)性的光照條件，如陰影、過(guò)曝、低光環(huán)境以及由人工或自然光源引起的突然光照變化。這些變化嚴(yán)重影響基于特征的SLAM系統(tǒng)，因?yàn)檫@些系統(tǒng)依賴(lài)于一致的關(guān)鍵點(diǎn)檢測(cè)和描述符匹配。固定參數(shù)的前端無(wú)法適應(yīng)這些變化，導(dǎo)致特征重復(fù)性降低、頻繁跟蹤失敗以及定位漂移增加。

諸如LSD-SLAM、DSO和SVO這類(lèi)直接法假定光度恒定，這使得它們?cè)诿鎸?duì)光照變化時(shí)容易受到影響。為緩解此類(lèi)問(wèn)題，近期的研究工作涵蓋了圖像預(yù)處理技術(shù)以及基于深度學(xué)習(xí)的光照增強(qiáng)方法。然而，這類(lèi)方法通常會(huì)帶來(lái)巨大的計(jì)算開(kāi)銷(xiāo)，需要大規(guī)模的訓(xùn)練數(shù)據(jù)集，并且在不同環(huán)境中難以實(shí)現(xiàn)泛化。

基于特征的SLAM系統(tǒng)，包括MonoSLAM、PTAM以及ORB-SLAM系列，通常在其特征提取流程中采用靜態(tài)閾值，依賴(lài)于諸如FAST的檢測(cè)器以及BRIEF或ORB這樣的描述符。這種靜態(tài)設(shè)計(jì)限制了其在動(dòng)態(tài)光照?qǐng)鼍爸械倪m應(yīng)性。近期的研究提出了自適應(yīng)低光增強(qiáng)方法以提升前端性能，而諸如[Afe-orb-slam]，則通過(guò)圖像增強(qiáng)和自適應(yīng)閾值改進(jìn)了ORB特征提取。然而，這些方法仍缺少針對(duì)特征可靠性的系統(tǒng)性評(píng)估。

為了解決這些局限性，我們提出了IRAF-SLAM，這是一種基于ORB-SLAM3構(gòu)建的光照魯棒且自適應(yīng)特征剔除前端框架，旨在增強(qiáng)VSLAM在具有挑戰(zhàn)性的光照條件下的魯棒性。IRAF-SLAM集成了三個(gè)關(guān)鍵組件：

（1）構(gòu)建一套圖像增強(qiáng)流程，綜合運(yùn)用高斯濾波、自適應(yīng)伽馬校正以及反銳化掩蔽技術(shù)，旨在改善不同光照條件下圖像的視覺(jué)質(zhì)量，提升特征的可辨識(shí)度。

（2）設(shè)計(jì)一種自適應(yīng)的 FAST 閾值設(shè)定機(jī)制，該機(jī)制能夠基于圖像內(nèi)部的梯度變化以及子區(qū)域的熵分析結(jié)果，動(dòng)態(tài)地對(duì)特征檢測(cè)的靈敏度進(jìn)行調(diào)整。

（3）提出一種特征篩選策略，通過(guò)對(duì)特征點(diǎn)的密度分布進(jìn)行評(píng)估，并引入光照影響因子，以此來(lái)衡量特征點(diǎn)的穩(wěn)定性，進(jìn)而在進(jìn)行姿態(tài)估計(jì)之前，有效地剔除不可靠的關(guān)鍵點(diǎn)。此框架能夠有效緩解在惡劣光照環(huán)境下特征提取失效的問(wèn)題，在不顯著增加計(jì)算負(fù)擔(dān)的前提下，增強(qiáng)系統(tǒng)跟蹤的魯棒性以及定位的精確性 。

我們將所提出的方法集成到ORB-SLAM3中。并且在TUM-VI和EuRoC數(shù)據(jù)集上進(jìn)行了廣泛的評(píng)估，結(jié)果表明與最先進(jìn)的VSLAM系統(tǒng)相比，在跟蹤穩(wěn)定性和軌跡精度方面有了顯著的提升。

02方法原理

IRAF-SLAM的架構(gòu)如圖1所示。

該框架在標(biāo)準(zhǔn) ORB - SLAM3 流程的基礎(chǔ)上，融入了三個(gè)輕量級(jí)卻高效的模塊，旨在提升系統(tǒng)在光照條件復(fù)雜的環(huán)境中的魯棒性。

整個(gè)處理流程始于圖像預(yù)處理階段。在這一階段，通過(guò)高斯濾波、自適應(yīng)伽馬校正以及銳化調(diào)整等操作，改善圖像的視覺(jué)質(zhì)量。經(jīng)過(guò)增強(qiáng)處理后的圖像隨后進(jìn)入特征提取環(huán)節(jié)。在此過(guò)程中，一種自適應(yīng)閾值機(jī)制會(huì)依據(jù)圖像的全局統(tǒng)計(jì)特性以及局部變化情況，動(dòng)態(tài)調(diào)整 FAST 檢測(cè)器的敏感度。

完成特征提取后，系統(tǒng)會(huì)采用一種特征篩選策略，對(duì)所檢測(cè)到的關(guān)鍵點(diǎn)的可靠性進(jìn)行評(píng)估。在將數(shù)據(jù)傳輸至標(biāo)準(zhǔn) ORB - SLAM3 的跟蹤、局部建圖以及閉環(huán)檢測(cè)模塊之前，會(huì)舍棄那些被判定為不穩(wěn)定的關(guān)鍵點(diǎn)。

03實(shí)驗(yàn)結(jié)果

A.實(shí)驗(yàn)環(huán)境

為了評(píng)估所提出的RAF-SLAM系統(tǒng)的有效性和魯棒性，我們?cè)谝慌_(tái)運(yùn)行Ubuntu20.04操作系統(tǒng)的工作站上進(jìn)行了實(shí)驗(yàn)，該工作站配備了英特爾酷睿i7-13700KF處理器和32GB內(nèi)存。

我們選擇了兩個(gè)廣泛使用的基準(zhǔn)數(shù)據(jù)集進(jìn)行驗(yàn)證：

TUM-VI數(shù)據(jù)集，該數(shù)據(jù)集提供了在各種室內(nèi)和室外環(huán)境中，在具有挑戰(zhàn)性的光照和運(yùn)動(dòng)條件下同步錄制的立體圖像和慣性測(cè)量單元（IMU）測(cè)量值；

EuRoC（MAV）數(shù)據(jù)集，該數(shù)據(jù)集包含了由配備立體相機(jī)和IMU傳感器的微型飛行器在大型機(jī)械廳和Vicon動(dòng)作捕捉室中捕獲的序列。EuRoC序列按難度級(jí)別分類(lèi)——簡(jiǎn)單、中等和困難，并且存在諸如低紋理、運(yùn)動(dòng)模糊和突然的光照變化等挑戰(zhàn)。所有序列均以單目模式處理，以專(zhuān)門(mén)評(píng)估我們前端增強(qiáng)功能在不利視覺(jué)條件下的性能。

B.特征提取評(píng)估

為評(píng)估所提出的圖像增強(qiáng)和自適應(yīng)閾值模塊的有效性，我們?cè)诰哂刑魬?zhàn)性的光照條件下對(duì)特征提取和匹配性能進(jìn)行了詳細(xì)分析。

圖2展示了在LOL低光序列中不同光照?qǐng)鼍跋聶z測(cè)到的關(guān)鍵點(diǎn)分布情況。比較包括從原始明亮和黑暗圖像以及通過(guò)我們的方法處理的增強(qiáng)圖像中提取的關(guān)鍵點(diǎn)。所提出的增強(qiáng)流程顯著增加了黑暗和過(guò)亮圖像中穩(wěn)定關(guān)鍵點(diǎn)的數(shù)量。此外，如圖3所示，與ORB-SLAM3相比，我們的方法在低紋理和光照不足的區(qū)域生成了更密集且分布更均勻的關(guān)鍵點(diǎn)集。這表明預(yù)處理和自適應(yīng)控制的結(jié)合增強(qiáng)了特征的可見(jiàn)性，而不會(huì)引入噪聲。圖4展示了連續(xù)幀之間特征匹配的定性比較。所提出的方法實(shí)現(xiàn)了更一致和準(zhǔn)確的對(duì)應(yīng)關(guān)系，特別是在受光照變化影響的場(chǎng)景中。這種特征匹配的改進(jìn)直接有助于增強(qiáng)跟蹤穩(wěn)定性，并減少SLAM流程中的漂移。

C.定位評(píng)估

為了驗(yàn)證我們所提出的IRAF-SLAM系統(tǒng)的定位性能，我們對(duì)其與基線(xiàn)ORB-SLAM3以及一些最先進(jìn)的視覺(jué)同步定位與建圖（VSLAM）方法進(jìn)行了廣泛的評(píng)估。

圖5展示了來(lái)自?xún)蓚€(gè)數(shù)據(jù)集的代表性序列的自上而下的軌跡圖。在TUMVI數(shù)據(jù)集（圖5a）中，與ORB-SLAM3相比，我們的方法顯著減少了漂移，尤其是在雜亂和光線(xiàn)不足的區(qū)域。在EuRoC數(shù)據(jù)集（圖5b）中，我們的方法也表現(xiàn)出與真實(shí)軌跡更接近的對(duì)齊效果，特別是在急轉(zhuǎn)彎和快速移動(dòng)的片段中。圖中的放大圖突出顯示了ORB-SLAM3產(chǎn)生不連續(xù)或不準(zhǔn)確路徑的區(qū)域，而我們的方法則保持了平滑、準(zhǔn)確的軌跡。

進(jìn)一步的分析見(jiàn)圖6，其展示了x、y和z軸的軌跡輪廓。在兩個(gè)數(shù)據(jù)集中，IRAF-SLAM在所有三個(gè)軸上都保持了更穩(wěn)定和精確的估計(jì)。這在z軸上尤為明顯，ORB-SLAM3由于特征缺失或不穩(wěn)定，經(jīng)常低估垂直運(yùn)動(dòng)，而我們的方法則緊密跟隨真實(shí)軌跡輪廓。圖7展示了絕對(duì)位姿誤差（APE）。隨著時(shí)間的推移，在TUMVI數(shù)據(jù)集（圖7a）上，我們的方法將平均絕對(duì)位置誤差（APE）降低了約35%，與ORB-SLAM3相比。同樣，在EuRoC數(shù)據(jù)集（圖7b）上，我們觀(guān)察到平均絕對(duì)位置誤差（APE）降低了30%至40%，峰值誤差值也顯著下降，這表明對(duì)視覺(jué)退化具有更高的抗性。

為了更廣泛地評(píng)估我們的方法，表I將EuRoC序列上的均方根絕對(duì)軌跡誤差（RMSEATE）與包括DSO、SVO、DSM、HESLAM、CLAHE-SLAM和AFE-SLAM在內(nèi)的最新方法進(jìn)行了比較。

我們的方法在8個(gè)序列中的7個(gè)序列上實(shí)現(xiàn)了最佳或次佳性能。值得注意的是，在MH03序列中，我們的方法實(shí)現(xiàn)了0.025米的均方根誤差（RMSE），優(yōu)于ORBSLAM3（0.028米）以及其他所有方法。在像MH04和MH05這樣最困難的序列中，我們的系統(tǒng)仍具有競(jìng)爭(zhēng)力，即使在光照變化大和快速運(yùn)動(dòng)的情況下也能表現(xiàn)出穩(wěn)健的性能。表II定量比較了21個(gè)TUMVI序列的平均絕對(duì)軌跡誤差（ATE）和均方根ATE。平均而言，IRAF-SLAM相比ORBSLAM3，平均ATE降低了26.5%，均方根ATE降低了28.4%。在諸如room2、magistrale2和corridor4這樣的困難序列中，改進(jìn)幅度超過(guò)70%。例如，在magistrale2中，平均ATE從0.2885降至0.0634（下降78%），均方根ATE從0.3429降至0.0542（下降84%）。

04總結(jié)

在本文中，我們提出了IRAF-SLAM，這是一種強(qiáng)大的VSLAM前端，旨在提升光照不良或不穩(wěn)定環(huán)境中的定位性能。我們的方法整合了圖像增強(qiáng)管道、基于熵和梯度線(xiàn)索的自適應(yīng)FAST閾值以及由關(guān)鍵點(diǎn)密度和光照影響決定的時(shí)空特征剔除策略。這些模塊無(wú)縫集成到ORB-SLAM3管道中，在不犧牲實(shí)時(shí)操作的情況下顯著增強(qiáng)了其前端的穩(wěn)健性。在TUMVI和EuRoC數(shù)據(jù)集上進(jìn)行的大量實(shí)驗(yàn)證實(shí)了我們方法的有效性。這些結(jié)果表明，增強(qiáng)前端的穩(wěn)健性，尤其是在動(dòng)態(tài)光照和低對(duì)比度條件下，對(duì)SLAM的準(zhǔn)確性和穩(wěn)定性有直接且可衡量的影響。