Failure or Drift? Evaluating Monocular SLAM under Synthetic and Real-World Corruptions
作者: Abhay Skaria Thomas, Shashank Agnihotri, Margret Keuper
分类: cs.CV, cs.RO
发布日期: 2026-08-31
备注: Accepted at the 3rd NeuSLAM workshop at ECCV 2026
🔗 代码/项目: GITHUB
💡 一句话要点
评估单目SLAM在合成与真实世界干扰下的表现
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 单目SLAM 视觉SLAM 鲁棒性评估 学习型跟踪器 环境干扰 自动驾驶 机器人导航
📋 核心要点
- 现有的单目SLAM方法在面对恶劣环境时表现不佳，无法有效区分跟踪失败和漂移。
- 论文通过评估不同类型的干扰，提出了一种新的评估框架，能够更清晰地分析SLAM系统的鲁棒性。
- 实验结果显示，学习型跟踪器在面对干扰时表现出持续漂移，而非简单的失败，且其性能排序受干扰类型影响显著。
📝 摘要（中文）
视觉SLAM通常在干净的轨迹上进行评估，但实际部署中的失败往往受到恶劣天气、光照、模糊和传感器伪影的影响。本文探讨了单目SLAM在合成和真实世界干扰下的表现，评估了一个经典的基于特征的系统和两个学习跟踪器在图像空间、几何感知和复合干扰下的行为，并与4Seasons中的不利条件进行了比较。研究表明，学习型跟踪器在一定程度上替代了灾难性损失，转而导致持续且有时严重的漂移。更重要的是，学习系统的排序会随着干扰的物理逼真度而变化：结构化的雨和雾代理保留了真实世界的排序，而简单的光照代理则没有。
🔬 方法详解
问题定义：本文旨在解决单目SLAM在恶劣环境下的评估问题，现有方法往往无法有效区分跟踪失败与漂移，导致鲁棒性评估不准确。
核心思路：通过引入合成和真实世界的干扰，评估SLAM系统在不同条件下的表现，特别是关注学习型跟踪器与传统方法的对比。
技术框架：研究采用了经典的特征基SLAM系统和两个学习型跟踪器，评估过程中考虑了图像空间、几何感知和复合干扰，比较了它们在不同环境下的表现。
关键创新：论文的创新在于将跟踪失败与漂移分开评估，提供了更细致的鲁棒性分析，尤其是学习型系统在不同干扰下的表现差异。
关键设计：在实验中，采用了多种干扰类型，包括结构化雨、雾和简单光照代理，设计了相应的评估指标，以确保结果的可靠性和可比性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，学习型跟踪器在面对合成与真实世界干扰时，能够显著减少灾难性损失，但会导致持续的漂移。具体而言，在结构化雨和雾的情况下，学习系统的性能排序与真实世界一致，而在简单光照条件下则出现了显著差异。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、机器人导航和增强现实等，能够帮助开发更鲁棒的SLAM系统，以应对复杂的真实世界环境。未来，随着技术的进步，可能会进一步推动SLAM技术在各种应用中的普及和优化。
📄 摘要（原文）
Visual SLAM is commonly evaluated on clean trajectories, although deployment failures are often caused by adverse weather, illumination, blur, and sensor artifacts. Controlled corruptions are attractive because they isolate such factors, but a synthetic stress test is useful only when it leads to the same engineering conclusion as the condition it is intended to approximate. This work examines that question for monocular SLAM. We evaluate a classical feature-based system and two learned trackers under image-space, geometry-aware, and compound corruptions, and compare their behavior with adverse conditions from 4Seasons. Rather than reducing robustness to a single trajectory error, the evaluation separates explicit tracking failure from drift accumulated by methods that remain active. The results show that learned trackers largely replace catastrophic loss with sustained, and sometimes severe, drift. More importantly, the apparent ordering of the learned systems changes with the physical fidelity of the corruption: structured rain and fog proxies preserve the real-world ordering, whereas a simple illumination proxy does not. Code is available at: https://github.com/abhaythomas/master_thesis_vslamlab_robustness.