MLINE

文章：MLINE-VINS: Robust Monocular Visual-Inertial SLAM With Flow Manhattan and Line Features

作者：Chao Ye, Haoyuan Li, Weiyang Lin, Xianqiang Yang

编辑：点云PCL

摘要

本文提出了 MLINE-VINS，这是一种新颖的单目视觉惯性里程计（VIO）系统，利用了线特征和曼哈顿世界假设。具体而言，在线匹配过程中提出了一种新颖的几何线光流算法，该算法能够高效跟踪长度变化的线特征，无需在每一帧中进行检测和特征描述。针对基于线特征的曼哈顿估计不稳定的问题提出了一种基于检测的跟踪模块，该模块能够在连续图像中持续跟踪和优化曼哈顿帧。通过将曼哈顿世界与 VIO 世界坐标系对齐，跟踪可以使用后端的最新位姿进行重启，从而简化系统中的坐标变换。此外还实现了一种用于验证曼哈顿帧的机制，并提出了一种新颖的全局结构约束后端优化方法。在多个数据集（包括基准数据集和自采集数据集）上的大量实验表明，该方法在精度和长距离鲁棒性方面优于现有方法。代码已开源：。

图 1. 所提出的 VIO 系统在 EuRoc MH05 数据集上的结果。蓝色、黄色和红色线分别表示沿 X、Y 和 Z 方向的 3D 结构线。绿色轨迹表示相机的历史位姿。黑色点表示 3D 点，同时，顶部还展示了从 RGB 图像中提取的 2D 结构线特征。

主要贡献

本文提出了一种快速且鲁棒的基于检测的跟踪（tracking-by-detection）模块，在连续帧中跟踪曼哈顿结构。同时引入了一种基于位姿引导的曼哈顿验证方法（pose-guided Manhattan verification）。此外提出了一种新的后端优化框架，将局部和全局曼哈顿约束相结合。为此提出了一种新型 VIO 系统 MLINE-VINS，该系统融合了线特征与 MW 假设，以增强系统的鲁棒性和精度。本文的主要贡献如下：

• 提出了一种基于几何的光流算法，能够高效、可靠地在连续帧中跟踪长度变化的线特征，性能优于传统方法。
• 提出了一种高效的基于检测的跟踪模块，用于在连续帧中跟踪曼哈顿结构。首先利用已跟踪的线特征估计初始曼哈顿结构，并通过已跟踪和补充线特征进一步优化。此外在后端引入了一种基于位姿引导的曼哈顿验证方法。
• 提出了一种新的全局约束后端优化框架，利用所有帧中的结构信息进行优化。
• 在基准数据集和自采集数据集上的大量实验表明，所提出的 VIO 系统在精度和鲁棒性方面优于现有的点线单目 VIO 系统。

主要内容

图 2. MLINE-VINS 概览。橙色框突出显示了本文引入的新组件。系统接收 RGB 输入后，会并行提取并跟踪点和线特征。随后，执行基于检测的曼哈顿跟踪模块，在连续图像中估计曼哈顿帧（MF），并根据主轴对每条线进行聚类。如果 MF 丢失，则使用后端的最新相机状态作为初始值重新启动跟踪。在系统初始化后，VIO 世界坐标系与曼哈顿世界（MW）对齐，并利用曼哈顿结构和结构线的局部与全局约束进行优化。

本文提出的MLINE-VINS一种专为复杂室内环境设计的鲁棒单目视觉惯性里程计（VIO）系统。系统的处理流程如图 2 所示。提出了创新性的曼哈顿结构与线特征跟踪策略，并结合曼哈顿约束进行后端优化。该方法旨在提升 VIO 系统在复杂室内环境中的鲁棒性和精度。

局部视觉惯性里程计（Local Visual-Inertial Odometry）

局部 VIO 系统由三个主要部分组成：测量值处理（Measurement Processing）、系统初始化（System Initialization）和非线性优化（Nonlinear Optimization）。

1) 测量值处理（Measurement Processing）

系统接收 RGB 图像和 IMU 数据作为输入。对于图像，点特征和线特征并行处理。对于第一帧图像，系统使用 Shi-Tomasi 算法提取点特征，并使用改进的 EDLines 算法提取线特征。如果线特征可用，系统会检测曼哈顿帧（MF），并采用 2-line 方法将线特征分类到三个主要方向中。在连续帧中，点特征通过 KLT 跟踪器进行匹配，线特征则使用改进的光流跟踪算法进行匹配。同时MF 采用基于检测的跟踪（tracking-by-detection）模块进行匹配。如果 MW 跟踪失败，系统将使用后端存储的最新相机状态作为初始值重新启动跟踪。对于 IMU 数据，系统采用预积分（Preintegration）计算关键帧之间的状态变化，与 VINS-MONO 采用的方法相同。

2) 系统初始化（System Initialization）

在前端收集到足够的信息后，系统初始化主要状态变量，包括尺度因子、位姿、重力、速度、线特征的 3D 表示和 IMU 陀螺仪偏置。变换矩阵首先通过结构光束法（Structure from Motion, SFM）进行初始化，利用滑动窗口中的视觉特征进行计算，并通过外参矩阵进行转换。然后，结合 SFM 结果和 IMU 预积分估计陀螺仪偏置，旋转误差用于计算重力、速度和尺度，以最小化位置和速度的残差。为了简化曼哈顿世界（MW）与 VIO 世界坐标系之间的转换关系，VIO 坐标系会与 MW 对齐。

对于线特征，3D 线采用 Plücker 表示，其中线方向由一个向量表示，而法向量用于描述由线与相机光心构成的平面。Plücker 矩阵通过两个平面的交点计算得到，如图3所示。

图 3. 相机坐标系与曼哈顿世界（MW）之间的旋转估计

3) 非线性优化（Nonlinear Optimization）

在系统初始化后，系统状态将在滑动窗口内进行优化。

线特征的正交（Line Orthogonal Representation）表示方式：虽然 Plücker 表示适用于空间变换，但由于参数冗余，不利于优化。因此，系统采用了一种更加紧凑的正交表示进行线特征优化。该表示方法定义了线特征的方向参数和与相机中心的距离。

优化状态（Optimization State）：系统的完整状态向量包含以下部分：多个时刻的位姿、速度、加速度和陀螺仪偏置，多个尺度因子，以及多个线特征的正交表示。所有状态均在曼哈顿世界坐标系（MW）中进行估计。

优化问题（Optimization Problem）：整个优化过程采用视觉-惯性调整（Visual-Inertial Adjustment）方法，目标是最小化多个误差残差，包括：IMU 误差残差，点特征误差残差，线特征误差残差，曼哈顿特征（MF）误差残差，结构线特征误差残差。其中点和线特征通过滑动窗口进行三角化，曼哈顿特征通过观测得到，结构线特征来源于线特征集合。测量误差由协方差矩阵建模，优化过程中会考虑先验信息，即从旧状态的边缘化中获得的信息，如图4所示。如果在优化过程中没有曼哈顿特征或结构线特征，系统仅利用点和线特征进行优化。非线性优化采用 Ceres Solver 进行求解。

图 4. MLINE-VINS 的因子图，因子图中的“地图点”（Map Points）和“地图线”（Map Lines）节点分别表示滑动窗口内的所有点特征和线特征。其中，“地图线”包括结构线和非结构线。结构线同时提供重投影约束和结构约束，而非结构线仅提供重投影约束。

关键模块的实现

新型线光流算法

现有的线特征检测和匹配方法通常计算量大且效率低。例如，使用 LSD 进行线检测、LBD 进行基于描述子的匹配方法虽然常见，但计算耗时，并容易受到重复纹理的影响。为了解决这些问题提出了一种新型的线光流算法。该算法包括两个阶段：

1. 线特征初始化
2. 线光流跟踪

该方法避免了在每一帧中都重新检测和匹配线特征，因此非常适用于实时应用。

图5. 线特征跟踪模型示意图。

线特征初始化：在第一帧图像中，使用改进的 EDLines（MED）算法提取线特征。为了提高特征跟踪的鲁棒性，线特征会在图像中均匀分布，并将共线特征合并。如果检测到的线特征数量低于设定阈值，则降低 MED 算法的灰度阈值，并重新执行线检测。

线光流跟踪：该算法的核心思想基于灰度不变性假设。在时间 t+δt 时，像素点 (u,v)从时间 t 处的位置移动到 (u′,v′)，但其灰度值保持不变。通过泰勒展开式，可以得到图像的灰度变化率和空间梯度之间的关系。公式的右边通过泰勒展开得到空间和时间上的变化，最终简化为一种关于位移和速度的线性关系。每个像素点都遵循这个关系式。此外为了优化线特征的跟踪，该方法引入了额外的约束。假设一条线特征在时间 t时表示为一组点的集合，这些点的坐标包括线段的起点和终点。在时间间隔 δt内，这条线的各个点在图像中会发生位移，满足特定的空间变换关系。具体来说，起点和终点的位移与角度变化和线段长度的变化相关。通过这些变换，算法能够在连续帧之间跟踪线特征。

为了解决上述方程并提高跟踪精度，算法采用了高斯-牛顿法来优化位移参数。此外为了进一步提高特征跟踪的稳定性，算法集成了金字塔多尺度光流框架。该框架使得较长的线段被认为是更可靠的特征，因此对共线的短线段进行合并。同时基于图像的梯度信息，算法会扩展或合并线特征的起点和终点。如果当前帧中的跟踪线特征数量不足，则重新执行 MED 以提取更多的线特征，从而保证跟踪的连续性和稳定性。

曼哈顿跟踪检测算法

MF（曼哈顿特征）检测的运行时间和准确性显著影响系统的整体性能。结构线的数量和分布主要影响曼哈顿检测的效果。为了解决这个问题，本文提出了一种结合线特征跟踪结果的方法，用于在连续帧中跟踪MF。该方法旨在提高系统在复杂室内环境中的鲁棒性。

1) 初始化：检测模块包含两个主要步骤：在初始阶段检测MF并选择最可靠的一个。通过使用2-lines方法识别给定帧中的所有潜在MF，然后选择其中最可靠的一个。由于检测结果依赖于线特征的数量和分布，利用MF的z轴和垂直线进行有效性验证。如果所有条件满足，则初始化MF。

2) 跟踪：由于原始2-lines方法在特征线不足的情况下鲁棒性较差，因此本文提出了基于检测的跟踪模块，用于在连续帧中跟踪MF。该模块利用前一帧的结构线信息来估计当前帧中的MF。MF的三个主要轴方向可以看作消失点的空间位置。该算法通过不同的跟踪情形来分类，包括以下几种类型：

1. 跟踪三方向的结构线

如果在三个主要方向上跟踪到的线分别为 n1、n2、n3（每个方向上跟踪的线数大于2），则可以通过在单位球面上任意两条线的交点直接估算MF的初始值。之后，利用结构线特征优化这个初始值。

2. 三维线表示

图像中的每一条线都有一个起点和终点，通过这些点可以表示一条三维线。根据该三维线的方向与其对应的消失点方向是平行的，因此，可以优化MF的初始估算结果，以使其与实际结构相匹配。

3. 仅跟踪一个或两个方向的结构线

如果只在一个或两个方向上跟踪到线，则修改潜在消失点的得分策略。在2-lines方法中，每两条线的交点被映射到极坐标网格，得分与线的长度成正比。根据得分选出最合适的MF。对于单位球面上的点，可以通过计算其纬度和经度来更新极坐标网格。

4. 结构线跟踪失败

当未成功跟踪到结构线时，使用上一帧的MF作为初始值进行线的分类。假设MF在相邻帧之间变化较小。如果上一帧没有MF，则使用后端的最后一个相机姿态作为初始值。这是可行的，因为MW已与VIO世界坐标系对齐。然后，MF通过优化公式进行优化。最后，通过更新消失点的位置，确保MF的旋转矩阵属性有效。由于2-lines方法本身具有随机性和无序性，因此需要验证MF的顺序和可靠性。通过结合这些方法，基于检测的跟踪模块在复杂室内环境中实现了一致性和可靠性。

图6. 曼哈顿跟踪模块示意图

案例1：在三个方向上跟踪到的结构线。通过三条消失点估算MF，这些消失点是由三个方向上的线在单位球面上的交点形成的。

案例2：在一个或两个方向上跟踪到的结构线。通过极坐标网格估算MF，网格的权重与线的长度相关。

案例3：结构线跟踪失败。如果上一帧存在曼哈顿特征，则使用当前的线进行优化；否则，使用后端提供的最后一个相机位姿和线进行优化。

VIO 世界坐标系与曼哈顿世界坐标系对齐

由于曼哈顿世界坐标系（MW）和VIO世界坐标系（VIO world frame）不在同一个坐标系中，我们需要研究它们之间的关系。在类似MH01的数据序列中，使用连续的十帧进行初始化以获得VIO世界坐标系。为了得到曼哈顿世界坐标系（MW），将相机坐标系中的曼哈顿框架（MF）转换到IMU坐标系中。VIO世界坐标系和曼哈顿世界坐标系之间的角度误差如图7所示。由于VINS-MONO初始化过程中偏航角无法观察到，因此偏航角的值不稳定。翻滚角和俯仰角的差异很小，表明MW和VIO世界坐标系的z轴方向平行。此外，在室内环境中，建筑物的铅直线通常与重力方向平行，因此MW的z轴方向对应于重力方向。经过VIO初始化后，机体坐标系表示为RWbi，而在相机坐标系中，MW表示为RMci。两者之间的关系可以用矩阵表示，从而可以将VIO世界坐标系中的姿态转换为MW。当VIO世界坐标系与MW对齐后，便于利用MW的特性重新启动跟踪，且可以通过MW来观察偏航角。

图7. VIO世界坐标系与MW之间的角度误差

姿态引导的曼哈顿框架估计验证

MF估计的结果并不总是可靠，错误的结果可能对旋转估计产生负面影响。为了增强系统的鲁棒性，需要对MF进行验证。VIO的姿态误差在滑动窗口内保持较小，考虑VIO窗口中的两帧Fi和Fk，它们之间的相对旋转应该大致等于地面真值。利用此关系来评估MF的可靠性。在滑动窗口中，计算Fi与其他帧之间的相对旋转，得到每一帧的旋转误差。根据这些误差，可以计算出一个平均角度误差值。若该值低于设定的阈值（例如0.5），则认为MF是可靠的。如果误差超过阈值，则MF被认为不可靠，并将被丢弃。

线性测量模型

对于三维线Lk，首先将其从曼哈顿框架（MF）转换到相机坐标系。接着，通过投影矩阵将线段投影到图像平面上。在图像平面上，线残差定义为投影线和实际观测线之间的距离。通过计算该残差并进行最小化，我们可以优化线的估计。为了计算这些残差，采用链式法则来得到Jacobian矩阵，从而有效地计算出误差。

图8. 线残差模型的表示。蓝色线表示3D线在图像中的重投影，橙色线表示观测值。残差el是通过计算两条线之间的距离得出的。

点线曼哈顿联合后端优化

在后端优化中，我们使用MF来约束旋转，并通过结构线特征来建立局部和全局约束。

旋转约束：随着轨迹的推进，VIO会积累误差。MF提供的静态信息可以用来修正旋转漂移。通过计算旋转四元数的残差，得到旋转的误差，进而优化旋转参数。

结构线残差：结构线比普通线提供了更可靠的信息。通过MF，可以建立局部约束（利用图像中的消失点）和全局约束（利用MW中的结构线）。通过将所有结构线重新投影到图像平面，计算它们在图像中的残差，并进行最小化。每一帧的残差计算都依赖于结构线的重投影误差。

通过对结构线的全局约束进行优化，可以改善整个系统的精度。如果窗口中没有结构线特征，后端会自动退化为标准的点线后端。

图9. 曼哈顿残差的表示。c0坐标系中的MF显示在单位球面上。红点表示其中一个消失点，图像上的红线对应于一条结构线。消失点与线之间的距离表示该方向上MF的残差

实验

首先在基准数据集上评估我们的方法。然后使用实际录制的自定义数据集验证系统的有效性。将该方法 MLINE-VINS 与先进的单目方法进行比较，包括基于点的方法 VINS-MONO、基于线的方法 EPLF-VINS、PL-VINS，以及基于结构约束的方法 Struct-VIO 和 UV-SLAM。所有测试都使用已发布的版本和默认参数进行。所有实验均在配备 Intel Core i7-7700 3.60GHz CPU 和 24GB RAM 的 PC 上进行。为了公平比较，所有系统都关闭了回环闭合和全局捆绑调整。

基准测试

EuRoC 数据集测试：我们首先在 EuRoC 数据集上评估我们的方法，该数据集是 VIO 的广泛使用的基准。该数据集由装备有立体摄像头和 IMU 的微型空中车辆（MAV）收集。五个来自机器大厅的序列符合 MW 的假设。地面真值由激光跟踪器提供。为了评估利用 IMU 数据和左摄像头的图像来测试我们提出的方法。为了评估每种方法的性能，我们使用均方根误差（RMSE）作为评估指标。每个序列的平均 RMSE 计算基于 10 次运行。表 II 展示了我们的方法与其他方法的绝对平移误差（ATE）结果，结果来自原始论文。首先结合线特征的方法（如 PL-VINS、EPLF-VINS 和 MLINE-VINS）通常显示出比 VINS-MONO 更高的精度。其次，使用线追踪方法的 EPLF-VINS 和 MLINE-VINS 通常优于 PL-VINS。此外，结合结构约束的方法通常比传统的点线方法表现更好。通过在局部和全局优化中利用新型的结构约束，我们的方法在大多数序列中展示了比 UV-SLAM 和 Struct-VIO 更高的精度。总体而言，除了 MH04 外，我们提出的方法在大多数序列中都达到了最佳性能。然而，我们系统的表现严重依赖于正确的初始化。特别是，初始陀螺仪偏差的不准确偶尔会降低系统性能。对于 MH02，我们的方法相较于 Struct-VIO 在精度上提高了 50.3%。这些结果凸显了我们方法的有效性。

KAIST-VIO 数据集测试：为了评估我们系统的鲁棒性，在 KAIST-VIO 数据集上测试了我们的方法。该数据集由装备有单目 RGB 摄像头（30 Hz）和 IMU（100 Hz）的 UAV 平台收集。数据集包含四种不同的运动模式：正常、快速和旋转，这对 VIO 系统是具有挑战性的。我们将我们的方法与 VINS-MONO、EPLF-VINS、PL-VINS 和 UV-SLAM 进行比较。所有其他操作与 EuRoC 数据集测试相同。

表 III 显示了所有方法的 ATE RMSE 结果。与其他方法相比，我们的方法展示了优越的鲁棒性。特别是在快速旋转场景中，其他方法往往由于帧之间关系估计困难而失败。得益于局部和全局曼哈顿约束，我们的方法能够可靠地运行。需要注意的是，在快速变化的场景中，点和线特征有时可能不可靠，因为在快速旋转时三角测量可能会失败。通过 MFs 的帮助，UV-SLAM 和 MLINE-VINS 可以在优化中加入额外的约束。此外，借助新型的线追踪方法和曼哈顿约束优化，我们的方法实现了更高的精度。

定性评估

为了更好地评估我们的方法，我们进行了几项定性评估实验。

1. 线段追踪评估：我们通过在 EuRoC 数据集上将我们的方法与 EPLF-VINS 进行比较，评估了连续帧之间追踪的线特征数量。如图 10 所示，通过考虑建模过程中线段长度的变化，我们的方法识别了比 EPLF-VINS 更多的匹配线。

图10. EuRoC测试中MLINE-VINS与EPLF-VINS之间的平均线匹配数。蓝线表示MLINE-VINS（我们的）跟踪的线数，红线表示EPLF-VINS跟踪的线数。

2. 挑战环境中的漂移评估：为了评估我们方法的漂移，我们使用 KAIST-VIO 数据集比较了不同方法的累计误差。如图 11 所示，展示了每种方法在 cir n 序列上的跟踪轨迹和漂移误差。结果表明，结合额外的线特征显著减少了漂移，特别是在旋转期间。与仅使用点和线特征相比，结构规律性提供了一个更可靠的手段来约束平移和旋转中的漂移。通过利用新型的线特征追踪和曼哈顿约束，我们的方法实现了最小的漂移和最佳的性能。

图11. KAIST-VIO测试中的轨迹和相对位姿误差。（a）和（b）显示了我们的方法、EPLF-VINS和UV-SLAM的轨迹。（c）和（d）显示了每种方法的旋转和平移的平均相对位姿误差。

3. 消失点估计评估：我们比较了不同曼哈顿估计方法的运行时间，包括 VP 估计和结构线分类，如图 12 所示。2-line 方法需要最多的时间，因为它会在三个方向上反复执行 RANSAC。虽然 MF Searching 比 2-line 方法更快，但它的性能对线的数量和分布更为敏感。得益于提出的基于检测的 MFs 估计模块，我们的方法在效率上优于先进的方法。

图12. 在KAIST-VIO数据集中使用MF追踪、2线法和MF搜索法的MF估计运行时间。

还评估了每帧不同 MF 估计方法的性能，如图 13 所示。当线特征不足时，MF Searching 难以提供准确的 MF 估计。2-line 方法在不均匀的线分布下失败。此外，MF Searching 和 2-line 方法在随机和无序的曼哈顿轴下也遇到了问题。相反，我们的方法在连续帧上表现稳定且准确，适合于实际应用。

图13. 连续帧中的MF估计。（a）、（b）和（c）显示了使用跟踪-检测策略、2线法和MF搜索法的MF估计结果。顶部图像显示最后一帧，底部图像显示当前帧。

实际环境测试

展示了在各种室内场景中评估所提出方法的实际实验结果。我们使用 D435I 摄像头及其内部 IMU 来收集 RGB 图像和 IMU 数据进行评估。RGB 图像以 30Hz 的频率、640×480 的分辨率录制，IMU 数据以 200Hz 的频率采集。摄像头和 IMU 使用 Kalibr 和 Imu Utils 进行标定。在这些实验中，所有特征，包括点和线，都是直接从原始图像中提取的。使用的数据集如图 14 所示。

图14. 收集的数据用于评估VIO方法。对于每个序列，我们展示了相应的轨迹可视化（左图）和样本图像（右图）。

1. 小型室内场景：首先，我们在一个小型室内实验室环境中评估了所提出的方法。如图 14 所示，数据在两种不同的条件下收集：慢速旋转（称为“弱纹理容易”）和快速旋转（称为“弱纹理困难”）。我们使用运动捕捉设备获得地面真值数据，并使用 RMSE 来评估性能。

对于其他方法，实验中使用默认参数。UV-SLAM 的后端在实际场景中表现不佳，导致所有序列均失败。RMSE 结果如表 IV 所示。在 Weak-texture Easy 和 Weak-texture Hard 数据集上，MLINE-VINS 达到了最佳性能。在包含纯旋转和快速运动的 Weak-texture Hard 数据集上，传统的线匹配方法偶尔会失败。

2. 大型室内场景：为了进一步评估我们的方法在实际场景中的表现，我们在一个大型室内环境中进行了实验。在这个环境中，摄像头遍历了第一和第二层，最终返回起点。在此过程中，存在许多挑战性情况，包括运动模糊和纹理较弱的场景，如图 14(c) 所示。与小型室内场景不同，根据起点和终点之间的漂移来评估每种方法的性能，因为它们在同一位置。由于 UV-SLAM 无法完成整个轨迹，因此其结果被省略。结果如图 15 所示，表明 MLINE-VINS 在抑制长期累计误差方面表现优越。通过将曼哈顿约束引入局部和全局优化，所提出的方法实现了最佳性能，并且漂移误差最小。

图15. 大场景测试结果。左图显示了轨迹的俯视图，而右图显示了侧视图。红色圆圈表示起始点，绿色十字标记表示终点。

运行时间分析

对每个模块的计算性能进行了逐帧评估，如表 V 所示。我们的算法和 EPLF-VINS 在线特征检测和匹配中表现出色，主要得益于实现的线追踪算法。此外提出的基于检测的 MFs 估计模块比 UV-SLAM 中采用的 2-lines 方法更具计算效率。尽管加入了额外的线特征和曼哈顿约束，但局部 VIO 并未显著增加计算负担。虽然我们的方法运行时间略高于 VINS-MONO，但对于实时应用而言，仍然是可以接受的。

总结

本文介绍了MLINE-VINS，一种将线特征和曼哈顿世界约束结合的创新视觉惯性里程计系统。为了实现实时性能，提出了一种新型的线特征追踪算法和基于检测的追踪模块，该模块能够高效地追踪变长的线段并检测连续图像中的曼哈顿框架。为了简化坐标变换，将VIO世界框架与曼哈顿世界框架对齐。采用了一种基于姿态的曼哈顿框架验证机制，确保曼哈顿框架的可靠性。通过引入结构性线条和曼哈顿框架约束，提出了一种新型的后端优化框架，结合了局部和全局约束，以提高系统的准确性和鲁棒性。在基准测试和自定义数据集上的全面评估表明，MLINE-VINS在准确性和鲁棒性方面都表现出色。未来的工作将集中于利用线特征进一步增强系统在特别是挑战性的户外环境中的鲁棒性和准确性。

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-03-19，如有侵权请联系 cloudcommunity@tencent 删除算法系统优化后端数据