Visual-Inertial RGB-D SLAM with Encoders for a Differential Wheeled Robot

📄 arXiv: 2610.41768v1 📥 PDF

作者: Zhanghao Zhu, Yutaka Kaizu, Kenichi Furuhashi, Kenji Imou

分类: cs.RO

发布日期: 2026-10-30

备注: 11 pages. Author-accepted manuscript of the article published in IEEE Sensors Journal, 2022

期刊: IEEE Sensors Journal, vol. 22, no. 6, pp. 5360-5371, March 2022

DOI: 10.1109/JSEN.2021.3101370

💡 一句话要点

提出视觉惯性RGB-D SLAM系统以解决特征点不足问题

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

关键词: 视觉惯性SLAM 编码器 状态估计 最大后验估计 鲁棒性 实时系统 机器人导航

📋 核心要点

  1. 现有的视觉惯性里程计方法在特征点不足和快速运动情况下表现不佳，导致状态估计不准确。
  2. 本研究通过引入编码器，提出了一种生成测量模型，结合视觉和惯性数据进行紧耦合SLAM。
  3. 实验结果显示，所提系统在实时状态估计中实现了约2-7厘米的均方根误差，表现出良好的鲁棒性。

📝 摘要（中文）

近年来，视觉惯性里程计（VIO）技术取得了显著进展，通过扩展卡尔曼滤波器（EKF）或非线性优化实现准确的状态估计。然而，这些方法往往缺乏开源实现，并且在实际实验中由于特征点暂时缺失和快速运动而失败。因此，本研究利用编码器克服了纯视觉同时定位与地图构建（SLAM）中的暂时失效。我们提出了一种生成测量模型，并推导出最大后验（MAP）估计的表达式及优化所需的雅可比矩阵。通过理论支持，我们展示了一种新颖的紧耦合视觉惯性编码器RGB-深度（RGB-D）SLAM系统。对我们系统的内部数据集测试确认了该建模工作在实时状态估计中实现了准确性（均方根误差约为2-7厘米）和鲁棒性。源代码和包含编码器信息的数据集已公开以供验证。

🔬 方法详解

问题定义：本论文旨在解决现有视觉惯性SLAM方法在特征点不足和快速运动情况下的状态估计不准确问题。现有方法往往依赖于丰富的特征点，但在实际环境中，这种依赖会导致系统失效。

核心思路：本研究提出通过引入编码器来增强视觉信息，克服纯视觉SLAM的局限性。生成测量模型的设计使得编码器数据能够与视觉和惯性数据紧密结合，从而提高状态估计的准确性和鲁棒性。

技术框架：整体架构包括视觉传感器、惯性测量单元（IMU）和编码器模块。首先，视觉和IMU数据被用于初步状态估计，随后编码器数据被整合进来，通过最大后验估计优化最终状态。

关键创新：本研究的主要创新在于提出了一种新的生成测量模型，能够有效结合编码器与视觉、惯性数据进行紧耦合SLAM。这一方法与传统的视觉或惯性单独使用的方式有本质区别，显著提升了系统的鲁棒性和准确性。

关键设计：在模型设计中，采用了最大后验估计（MAP）方法，并推导出相应的雅可比矩阵以优化计算过程。参数设置方面，针对不同环境和运动状态进行了调优，以确保系统在多种条件下的稳定性和准确性。

📊 实验亮点

实验结果表明，所提系统在内部数据集上的均方根误差（RMSE）约为2-7厘米，显示出显著的准确性和鲁棒性。与传统方法相比，系统在特征点稀缺和快速运动情况下表现出更优的状态估计能力。

🎯 应用场景

该研究的潜在应用领域包括自主机器人、无人驾驶汽车和增强现实等。通过提高视觉惯性SLAM系统的鲁棒性和准确性，能够在复杂环境中实现更可靠的导航和定位，推动相关技术的实际应用和发展。

📄 摘要（原文）

Recent years have seen multiple impressive results in visual-inertial odometry (VIO) techniques, by which accurate state estimation can be achieved via the extended Kalman filter (EKF) or nonlinear optimization. However, these approaches are rarely open source, and they tend to fail in real experiments due to the temporary lack of feature points and fast motion. Therefore, in this study, we used encoders to overcome the temporary failure of purely vision-based simultaneous localization and mapping (SLAM). Here, we propose a generative measurement model for encoders and derive an expression for the maximum a posteriori (MAP) estimate and necessary Jacobians for optimization. We use our theory to present a novel tightly coupled visual-inertial encoder RGB-Depth (RGB-D) SLAM system. Tests on our system on an in-house dataset confirmed that our modeling effort led to accurate (with a root mean squared error (RMSE) of approximately 2-7 cm) and robust state estimation in real time. The source code and our dataset containing the encoder information have been published for verification.