论文页面 - 低光照环境下的SLAM：项目报告

来源：https://huggingface.co/papers/2607.17699

摘要

同步定位与地图构建（SLAM）是机器人学中最基本的问题之一，它使得在真实场景中的自主操作成为可能。在低光照条件下，对比度降低、传感器噪声和运动模糊会同时降低特征提取和特征匹配的性能，而通过LiDAR、深度或热传感器进行补偿则会增加成本、功耗和集成复杂度。现有基准测试仍以光照良好的室内或日间序列为主，这使得我们尚不清楚标准RGB相机在黑暗环境中的SLAM性能极限。我们对涵盖基于特征、直接法、基于滤波和基于学习范式的六个系统——ORB-SLAM3、DSO、Kimera-VIO、OpenVINS、DPVO和DPV-SLAM——在五个难度和光照条件各异的LaMARia序列上进行了基准测试，报告了绝对和相对位姿误差以及控制点召回率。Kimera-VIO是唯一能完整跟踪所有五个序列的系统，它兼具最低的相对位姿误差，但由于缺少闭环检测，绝对误差稳定增长；DPVO和DPV-SLAM从未丢失跟踪，但在低光照下绝对误差达到了约100米；而经典的纯视觉单目管线（ORB-SLAM3、DSO）以及基于滤波的OpenVINS在大多数更困难或低光照的序列上要么直接失败，要么发生发散。结果表明，仅依赖RGB的SLAM只有在同时具备惯性融合和全局优化时，才能在低光照下保持稳定的跟踪。要弥合剩余的差距，可能需要针对低光照进行专门学习的视觉前端，或者回归到互补传感方案。

查看 arXiv 页面 (https://arxiv.org/abs/2607.17699) 查看 PDF (https://arxiv.org/pdf/2607.17699) 项目页面 (https://ucu-autonomous-ugv.github.io/research/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.17699)

在您的智能体（agent）中获取这篇论文：

hf papers read 2607.17699

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型（0个）

没有模型链接这篇论文

在模型 README.md 中引用 arxiv.org/abs/2607.17699 即可在此页面建立链接。

引用该论文的数据集（0个）

没有数据集链接这篇论文

在数据集 README.md 中引用 arxiv.org/abs/2607.17699 即可在此页面建立链接。

引用该论文的 Spaces（0个）

没有 Space 链接这篇论文

在 Space README.md 中引用 arxiv.org/abs/2607.17699 即可在此页面建立链接。

包含该论文的收藏集（0个）

没有收藏集包含这篇论文

将此论文添加到一个收藏集（https://huggingface.co/new-collection）中，即可在此页面建立链接。