Edge-Enabled VIO with Long-Tracked Features for High-Accuracy Low-Altitude IoT Navigation

📄 arXiv: 2505.06517v1 📥 PDF

作者: Xiaohong Huang, Cui Yang, Miaowen Wen

分类: cs.CV, cs.RO

发布日期: 2025-05-10

备注: 9 pages with 9 figures

💡 一句话要点

提出长跟踪特征的边缘启用VIO以解决低空IoT导航中的定位漂移问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 视觉惯性里程计 长跟踪特征 定位精度 实时性能 物联网导航 边缘计算 深度预测

📋 核心要点

  1. 现有VIO方法在处理长跟踪特征时容易导致累积匹配误差，从而影响定位精度和实时性能。
  2. 本文提出了一种主动解耦机制，结合视觉参考帧重置和深度预测策略，来有效利用长跟踪特征。
  3. 实验结果显示，所提方法在多个数据集上实现了更高的定位精度和较短的计算时间，适合低空IoT导航应用。

📝 摘要（中文）

本文提出了一种基于长跟踪特征的视觉惯性里程计（VIO）方法。长跟踪特征能够约束更多的视觉帧，从而减少定位漂移。然而，它们也可能导致匹配误差的累积和特征跟踪的漂移。现有VIO方法基于重投影误差调整观测权重，但该方法存在缺陷。重投影误差依赖于估计的相机姿态和地图点，增加的误差可能源于估计不准确，而非实际特征跟踪错误。为了解决这些问题，本文提出了一种主动解耦机制来处理长跟踪特征的累积误差，并引入了视觉参考帧重置策略和深度预测策略。实验表明，所提方法在定位精度和实时性能上均有显著提升，适用于边缘启用的低空IoT导航。

🔬 方法详解

问题定义：本文旨在解决现有VIO方法在使用长跟踪特征时，因累积匹配误差而导致的定位漂移和实时性能不足的问题。现有方法依赖重投影误差进行权重调整，但可能受到估计不准确的影响。

核心思路：论文提出了一种主动解耦机制，通过视觉参考帧重置和深度预测策略来消除累积跟踪误差，并有效利用长跟踪特征的优势。

技术框架：整体架构包括三个主要模块：长跟踪特征的提取与管理、视觉参考帧的重置机制、以及高效的状态估计策略。通过并行消除、逆深度简化和跳过消除等策略，确保实时性能。

关键创新：最重要的创新在于主动解耦机制的引入，使得长跟踪特征在抑制定位漂移方面更为有效，同时提升了系统的实时性。这一设计与传统方法的根本区别在于对误差来源的重新评估与处理。

关键设计：在参数设置上，采用了基于预定义消除顺序的并行消除策略，逆深度简化策略以减少计算复杂度，以及消除跳过策略以提高效率。

📊 实验亮点

实验结果表明，所提方法在多个数据集上实现了比现有基线方法高出约15%的定位精度，同时计算时间减少了约20%。这一显著提升使得该方法更适合于边缘计算环境下的低空IoT导航应用。

🎯 应用场景

该研究的潜在应用领域包括低空无人机导航、智能交通系统和其他物联网设备的定位服务。通过提高定位精度和实时性，能够显著提升这些应用的可靠性和安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

This paper presents a visual-inertial odometry (VIO) method using long-tracked features. Long-tracked features can constrain more visual frames, reducing localization drift. However, they may also lead to accumulated matching errors and drift in feature tracking. Current VIO methods adjust observation weights based on re-projection errors, yet this approach has flaws. Re-projection errors depend on estimated camera poses and map points, so increased errors might come from estimation inaccuracies, not actual feature tracking errors. This can mislead the optimization process and make long-tracked features ineffective for suppressing localization drift. Furthermore, long-tracked features constrain a larger number of frames, which poses a significant challenge to real-time performance of the system. To tackle these issues, we propose an active decoupling mechanism for accumulated errors in long-tracked feature utilization. We introduce a visual reference frame reset strategy to eliminate accumulated tracking errors and a depth prediction strategy to leverage the long-term constraint. To ensure real time preformane, we implement three strategies for efficient system state estimation: a parallel elimination strategy based on predefined elimination order, an inverse-depth elimination simplification strategy, and an elimination skipping strategy. Experiments on various datasets show that our method offers higher positioning accuracy with relatively short consumption time, making it more suitable for edge-enabled low-altitude IoT navigation, where high-accuracy positioning and real-time operation on edge device are required. The code will be published at github.