{
  "paper_id": "0d3147d3f6242f8bb5e7ff9f74d19b60",
  "paper_title": "Uncertainty-Aware Visual-Inertial SLAM with Volumetric Occupancy Mapping",
  "paper_authors": [
    "Jaehyung Jung",
    "Simon Boche",
    "Sebastián Barbas Laina",
    "Stefan Leutenegger"
  ],
  "publication_date": "",
  "publication_venue": "2025 IEEE International Conference on Robotics and Automation (ICRA)",
  "abstract": "我们提出一种将稀疏重投影误差、惯性测量单元预积分和相对位姿因子与稠密体积占用建图紧耦合的视觉惯性同时定位与建图（VI-SLAM）方法，其中来自深度神经网络的深度预测以完全概率化的方式融合。具体而言，本方法严格具备不确定性感知能力：首先，我们不仅使用来自机器人双目装置的深度网络深度与不确定性预测，还进一步概率化地融合跨多种基线提供深度信息的运动立体，从而大幅提升建图精度。其次，预测与融合的深度不确定性不仅传播到占用概率中，还传播到所生成稠密子图之间的对齐因子中，这些因子进入概率非线性最小二乘估计器。这种子图表示提供了规模化的全局一致几何。本方法在两个基准数据集上得到充分评估，定位与建图精度超越现有技术水平，同时实时提供可直接用于下游机器人规划与控制的体积占用。",
  "keywords": [
    "视觉惯性SLAM",
    "体积占用建图",
    "不确定性感知",
    "深度融合",
    "多视图立体",
    "占用子图",
    "因子图优化"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:31:06.149856Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对视觉惯性SLAM（VI-SLAM）中稀疏路标地图无法支撑需显式建模自由/占用空间的高层机器人任务，以及稠密建图普遍采用的二次不确定性模型（隐含视差不确定性恒定假设）在弱纹理区域与物体边缘处失效的问题展开研究。尽管OKVIS2、ORB-SLAM3等VI-SLAM系统已趋成熟，KinectFusion、ElasticFusion等稠密建图先驱以及TANDEM、Simplemapping、SigmaFusion等近期工作要么将建图与估计器解耦、要么内存开销大且缺乏不确定性反馈。为此，作者提出完全不确定性感知的VI-SLAM与体积占用建图紧耦合框架：以OKVIS2为视觉惯性估计器、Supereight2为八叉树占用子图建图基础，为立体网络与多视图立体（MVS）网络（分别基于Unimatch与Simplemapping架构）增设不确定性解码器并以拉普拉斯损失学习像素级深度不确定性，再按逆方差对静态立体与运动立体的深度进行最优融合，其核心机制为 d_fuse = σ_fuse²(σ_st⁻²·d_st + σ_mvs⁻²·d_mvs)，其中 σ_fuse² = (σ_st⁻² + σ_mvs⁻²)⁻¹；该不确定性不仅通过分段线性逆传感器模型传播到占用log-odd积分，还传播到帧到图与图到图的occupancy-to-point对齐因子权重 w = 1/(σ_map² + σ_d²) 中，进入概率非线性最小二乘因子图优化，实现规模化全局一致的几何。选择EuRoC（无人机双目+IMU、毫米级真值轨迹与Vicon房间点云，验证定位与建图精度）和Hilti-Oxford（手持5相机+IMU、毫米级稠密点云，验证挑战场景下的鲁棒性）两个基准数据集评估：EuRoC上因果ATE平均0.041m优于基线OKVIS2的0.043m，网格精度0.057m与完整度55.40%均超过Simplemapping（0.144m/50.71%）；Hilti-Oxford挑战序列总分199.35，撰写时位列已发表方法排行榜第一，因果与非因果平均位置误差分别为13.3cm与6.1cm；消融实验证实不确定性学习使建图精度提升10%、深度融合再提升29%，支撑了不确定性感知与深度融合两项创新的价值。系统在Intel i7-13700 CPU与Nvidia RTX3080 GPU上以估计器29Hz、建图13Hz实时运行，GPU内存仅3.51GB，可直接为下游机器人规划与控制提供体积占用，适用于无人机与手持设备的实时稠密建图与自主导航，但受限于GPU推理依赖、MVS网络为吞吐瓶颈，且当基线方法已达厘米级精度时深度融合的定位增益有限。未来工作将考虑动态物体、纳入认知深度不确定性，并与考虑状态不确定性的机器人导航控制形成闭环。\n\n### 关键要点\n- 提出将稀疏重投影误差、IMU预积分、相对位姿因子与稠密体积占用建图紧耦合的VI-SLAM框架，占用积分与因子图优化均由深度融合的不确定性加权。\n- 为立体网络与MVS网络增设不确定性解码器，采用拉普拉斯损失 L_u = Σ|u_i − u_gt_i|/σ_u_i + log σ_u_i 学习像素级不确定性，并通过常数增益校准使验证集平均马氏距离等于单位距离。\n- 利用静态立体（小基线、静止时可靠）与运动立体（大基线、依赖相机运动）的互补特性，按逆方差最优融合两网络深度，大幅提升建图精度。\n- 占用子图基于Supereight2八叉树多分辨率管线，采用分段线性逆传感器模型将深度标准差σ_d传播到log-odd更新，替代传统启发式二次不确定性模型。\n- occupancy-to-point因子（帧到图与图到图）以Tukey损失编码点应位于表面（L=0）的约束，权重 w = 1/(σ_map² + σ_d²) 由地图不确定性与网络深度不确定性共同决定。\n- 子图管理通过跟踪当前深度视锥与最新子图的重叠体积（阈值ε_vol=0.2）决定新子图生成，并基于共视稀疏路标选择最重叠旧子图构建几何回环，优化后更新子图位姿保持全局一致。\n- EuRoC数据集上因果ATE平均0.041m优于OKVIS2基线（0.043m），非因果0.030m与基线持平；网格精度0.057m、完整度55.40%均超过Simplemapping（0.144m、50.71%）。\n- Hilti-Oxford挑战序列总分199.35，撰写时在已发表方法排行榜位列第一，因果与非因果平均位置误差分别为13.3cm与6.1cm，exp04序列建图精度9.4cm、完整度62.2%。\n- 消融实验表明：网络预测不确定性相比启发式二次模型使建图精度提升10%，深度融合再提升29%（精度从0.072m降至0.057m，完整度从50.31%升至55.40%）。\n- 实现设置：图像降采样至512×384分辨率并以10Hz输入网络，MVS网络输入8张带最新位姿的图像与稀疏路标深度图，体素分辨率2.5cm，l_min=−5.015，使用Ceres求解器优化。\n- 系统在Intel i7-13700 CPU与RTX3080 GPU上实时运行：带后台回环优化的估计器29Hz、建图13Hz（瓶颈为MVS网络75.9ms），推理仅需3.51GB GPU内存。\n- 未来方向包括处理动态物体、纳入认知深度不确定性，以及与考虑状态不确定性的机器人导航控制闭环；实际应用面向无人机与手持设备的实时稠密建图及下游规划控制。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}