SA-LIVO:具备子空间感知简并处理的激光 - 惯导 - 视觉里程计
论文提出了 SA-LIVO 算法,旨在解决激光雷达、惯性测量单元和视觉传感器独立失效时的融合问题。该方法通过协方差匹配在线估计帧级噪声尺度,利用 Schmidt 滤波处理观测相关性,并引入子空间感知信息融合模型来限制视觉信息的误差上限。
论文提出了 SA-LIVO 算法,旨在解决激光雷达、惯性测量单元和视觉传感器独立失效时的融合问题。该方法通过协方差匹配在线估计帧级噪声尺度,利用 Schmidt 滤波处理观测相关性,并引入子空间感知信息融合模型来限制视觉信息的误差上限。
论文介绍了一种针对多机器人在无 GPS 和通信受限环境中运行的数据高效分布式 SLAM 框架。该方法利用融合的 RGB-LiDAR 点云构建包含语义分割层和离散有界物体层的场景图,并通过与邻近机器人交换和匹配物体数据来协同执行场景图匹配。研究通过多步数据交换和优化过程最大化通信效率,并在包含有限轨迹重叠、视角变化、重复结构和视觉退化条件的真实世界数据集上验证了方法的有效性与通信效率。
论文介绍ZipSplat,一种预测紧凑且基于观测的场景表示的方法。该方法从图像块而非学习查询推导场景Token,并将其解码为自由放置的3D高斯点。通过引入锥损失和GeoCE几何损失解决漂移与混合问题,并利用TokenBA在数秒内优化Token与相机姿态。
Mono-Hydra++ 是一种面向敏捷机器人的单目 RGB 加 IMU 流水线,用于室内度量 - 语义映射和分层三维场景图构建。系统结合 DINOv3 基的多任务模型 M2H-MX 与深度视觉惯性里程计前端,在 Go-SLAM ScanNet 子集上比最强 RGB-D 基线平均轨迹误差低 1.6%,在校准的 7-Scenes 数据集上将平均 ATE 提升 29.8%。
推荐理由:该工作提出仅凭单目 RGB+IMU 实现实时三维场景图构建,在资源受限平台上替代深度传感器,代码与模型权重已开放。
论文提出了 MAGS-SLAM,这是首个仅依赖单目 RGB 摄像头的多智能体 3DGS SLAM 框架,旨在实现低成本机器人平台的协作场景重建。该方法让每个智能体独立构建局部单目高斯子图并传输紧凑的子图摘要,结合几何与外观感知的闭环验证及占用感知的高斯融合,在无需主动深度传感器的情况下实现了全局一致的重建。
针对流式循环模型在长序列中因平衡历史信息与新观测而导致的灾难性遗忘问题,本文提出无需训练的 TTSA3R 框架。该方法利用时序状态演化模式调节更新幅度,并通过观测 - 状态对齐定位需更新的区域,融合互补信号确定更新策略。
论文发布 Text2Loc++ 模型,解决利用复杂自然语言描述进行 3D 点云子图定位的问题。作者引入城市级新数据集(涵盖彩色与非彩色点云),并在 KITTI360Pose 上验证该方法性能提升达 15%。模型采用粗到细的流水线,结合预训练语言模型与层次 Transformer 处理语义,利用掩码实例训练过滤非对齐对象,并通过原型图克隆与级联交叉注意力实现精细定位。
该论文提出一种无需训练且与描述器无关的方法,通过矩阵分解将多个参考描述符联合建模为基表示,实现投影残差匹配以解决外观变化下的视觉定位问题。在外观变化数据集上,该方法相比传统单参考集匹配 Recall@1 提升约 18%,并在观点变化场景下支持分布式参考集匹配。
论文提出 V-JEPA Hand,这是一个简单的前馈视频模型,能联合从第一人称视频中重建双侧手部运动和相机自运动,将手部轨迹表达在统一的世界坐标系中。模型使用自监督 V-JEPA 2.1 编码器提取时空特征,并通过基于查询的预测器解码为每帧的手部姿态、手部存在性及相机运动;支持已知焦距或预测焦距,单次前向传播完成重建。
针对 GNSS 信号受限的城市无人机导航场景,本文提出 PlanarCityLoc 框架,利用轻量级无纹理城市模型中的建筑立面与屋顶几何信息替代传统纹理特征。该方法将图像侧平面补丁匹配至 LoD 模型平面,结合 PnP 算法优化位姿,无需特定数据集训练或微调即可在 UAVD4L-LoDv2 和 Swiss-EPFLv2 基准上实现最先进定位召回率。论文为预印本版本,尚未被会议正式接收。
针对头戴式立体鱼眼相机存在的强畸变、视野受限及基线短导致的 3D 姿态估计难题,本文提出 EgoRayFormer 因果姿态估计器。该方法在射线空间耦合立体特征采样与几何细化:将共享的 3D 假设沿关节观测射线投影至双图,通过几何分支校正投影位置并求交,再经学习门控融合几何估计与姿态更新。
针对动态环境下移动物体会导致视觉 SLAM 建图错误和定位精度下降的问题,该研究提出 CAOS-SLAM 框架,在 ORB-SLAM3 基础上扩展了混合感知管线。
推荐理由:该工作提出 CAOS-SLAM,通过混合感知管线在动态环境中实时剔除移动物体干扰,显著降低定位误差并支持轨迹估计。
针对四足轮腿机器人中轮式运动预测不可靠及接触状态无法跨方向判定可靠性的问题,提出紧耦合 LiDAR-惯性 - 运动学里程计框架。该方法保留解析滚动预测,利用本体感知历史学习每轮、各方向的进程协方差,并通过退化感知投影抑制几何弱方向上的 LiDAR 约束。
SAR2Net 框架通过学习空间锚定表示,将全切片图像(WSI)的跨染色配准重构为区域级特征检索问题。该方法在 HE-IHC 活检数据集上实现了严重组织形变下的鲁棒对齐,性能优于先前方法。代码已公开,论文待收录于 CVPR 2026。
AnchorFlow-VIO 是一个基于 Basalt 的开源单目视觉惯性里程计系统,在 LaMAria 平台上采用统一配置进行评测。该系统利用灰度相机与 IMU,结合工厂 IMU 校正、固定时序调整及固定模板补丁跟踪技术。
论文 SSIO 提出了一种针对新平台的惯性里程计自监督训练方案,利用短窗口积分作为教师信号并通过姿态图蒸馏进行序列一致性修正,从而在无需收集地面真值轨迹的情况下完成模型训练。该方法在涵盖行人、无人机、四足机器人和人形机器人的六个数据集上验证,在无速度或位置标签的条件下,其平均速度误差与同架构的监督基线相当(约 0.07 m/s)。
针对稀疏视角下 3D Gaussian Splatting(3DGS)易过拟合与几何退化的问题,本文提出将其重构为少样本学习任务,将高斯基元视为神经元并引入深度学习正则化技术。
ViTA-SAM 框架基于 SAM 3 构建,集成视觉记忆模块与文本特征以解决语义提示与视觉表征不对齐问题。该方法在多个基准测试中表现最佳,平均 mIoU 超越最强竞争方法超过 5%。代码与数据许可状态需参考 arXiv:2610.25641v1 页面详情。
论文提出 TNVD-SC 方法以解决森林环境中重复植被和不平地形导致的 LiDAR 定位困难问题。研究在 TreeLoc++ Wild-Places 协议上发现,传统 Scan Context 匹配仅达 61.84% R@1,而引入地形归一化垂直分布后提升至 91.83%,且稳定性最佳。
针对传感器非刚性安装限制,该研究提出基于 Denavit-Hartenberg 约定的动态相机 -IMU 外参标定方法及两步初始化策略。仿真实验表明,该方法能有效适应外参数变化并保持具有竞争力的定位精度。相关预印本已上传至 arXiv,代码与权重开放许可情况原文未明确提及。
arXiv 论文 LateMatch 提出一种重构现有深度特征匹配器的新范式,通过将图像内处理隔离为离线可缓存的 Context Blocks,仅在线执行少量跨图交互块,从而解决标准匹配器在边缘设备上因重复计算导致的成本过高问题。
论文提出了 GOFusion 系统,这是一种用于自主机器人导航的实时视觉建图方法。该系统将高斯原素锚定到局部占用图上,既提供路径规划所需的空间感知能力,又具备支持信息驱动导航的高保真外观特征。
MoWE 提出一种空间自适应路由机制,替代 U-Net 中的最大池化和步长卷积以保留高频细节。在 BUSI、TN3K、UDIAT、BUS-UCLM 及 CAMUS 数据集上,该方法将 U-Net Dice 从 72.59% 提升至 74.55%,nnU-Net Dice 从 80.18% 提升至 81.97%。论文已被 WACV 2027 接收,代码与权重待开放许可。
arXiv 论文 LENS 提出一种在 AMD KR260 FPGA/ARM 平台上运行的边缘端场景记忆加速系统,旨在替代桌面 GPU 为资源受限的机器人和自动驾驶车辆提供定位与近景渲染能力。
论文提出了 RoMo-GS,这是一种针对机器人应用的在线 3D Gaussian Splatting (3DGS) 系统。该方法通过解析地集成每个投影高斯在曝光区间内的值(而非平均离散子帧),将复杂度降为 O(1),并结合基于 Hessian 的剪枝分数限制高斯数量增长。
论文 O-SCD++ 提出一种无需回放缓存的在线场景变化检测方法,解决了原有方法在速度与精度间的权衡问题。该方法将参考场景表示为高斯泼溅图并固定不变,利用渲染器的反向传播直接更新新观测数据,仅需每高斯点两次标量递归即可完成多视角融合,避免了存储和重访历史观测。
推荐理由:提出无需回放缓存的在线场景变化检测新框架,在保持因果性前提下将处理速度提升至每秒 25.6 帧并提升精度。
该论文提出了名为 SimCompose 的框架,用于将术前 CT/MRI 中的 3D 肝脏模型与术中表面进行对齐。该方法无需依赖地标或已知尺度,利用几何选择器评估候选变换以识别不可靠注册,并基于 Neo-Hookean 仿真(SOFA)进行非刚性细化。
OrTeN 是一种无需结构先验或初始粗糙地形的数字高程图(DTM)构建方法,通过神经逆向渲染从校准后的线扫描卫星图像中联合优化纹理高度图并修正轨道相机姿态。该方法在 Jezero Crater、Gale Crater、Olympus Mons 和 McGetchin Crater 四个数据集上评估,对齐地形均方根误差(RMSE)分别为 2.35 m、2.82 m、16.18 m 和 0.43 m。
PACE 方法通过融合标签训练头与冻结骨干网络的证据,在 ChestX-ray14 和 CheXlocalize 数据集上提升了严格重叠准确率并优于部分基线。该方法虽为最忠实度最低的读出且优势依赖盒规则,但其设计选择均基于评分所用的盒子。研究揭示了结果对提取阈值、掩膜规则等协议选择的敏感性,发布了 PACE 基准以量化此类影响。
论文提出 GeoForward 框架,旨在解决传统外观驱动的前馈重建中对应关系推断不确定的问题。该方法利用稀疏 LiDAR 点云在标定相机间进行解析投影以建立度量对应的锚点,再通过局部搜索结合视觉特征优化这些锚点,最终融合全局多视图上下文生成几何条件化的表示。
该论文提出 EgoXperience 全栈范式,旨在解决从第一人称视频中重构人类活动所需的运动、几何与手物交互一致性难题。核心包括自动标注引擎 EgoX-Engine,结合几何验证的目标跟踪与 SLAM 世界对齐;以及由此构建的 EgoX-Data-6M 数据集(50 小时室内外任务驱动数据)和评测基准 EgoX-Bench。
推荐理由:该工作提出 EgoXperience 全栈范式,通过自研引擎构建百万级数据与统一模型,在单目视频下实现相机、场景及手物交互的联合度量重建。
PinNet 是一种神经网络,通过生成关键点及其对应描述符并结合平面几何自注意力模块,提升激光雷达点云在大规模环境中的位置识别与配准能力。该方法在多种不同传感器采集的数据集上评估,展现了强大的位置识别性能、精确的相对位姿估计及多场景单步定位成功效果。代码已修复 LCDNet 注册错误,论文版本为 arXiv:2606.28637v3。
针对现有前馈模型在稠密建图中导致位姿稀疏、传统方法缺乏稠密重建能力的局限,本文提出 HyVGGT-VO 框架。该工作首次将传统 VO 前端与 VGGT 模型紧密耦合,设计了自适应混合跟踪前端以动态切换光流与前馈模型,并引入分层优化框架确保全局尺度一致性。
针对现有视觉惯性 SLAM 受限于窄视场导致在复杂场景漂移的问题,作者构建了覆盖不同光照、高度及轨迹长度的全景视觉惯性数据集 PanoAir,并提出利用全向视场的特征提取与回环检测框架。实验表明该方法在自建数据集及公开基准上均表现优异,完成全部 17 个序列且无跟踪失败,绝对轨迹误差较最佳基线降低最高达 47.1%,并在嵌入式平台上验证了工程可行性。代码与数据已开源。
F-LIVO 是一种基于滤波器的激光雷达 - 惯性 - 视觉里程计框架,通过视觉点与激光雷达平面之间的特征层面点对平面约束耦合视觉 - 惯性与激光雷达 - 惯性子系统。
论文介绍 PanoBench 这一相机中心的泛视占用预测基准,涵盖合成与真实驾驶场景。它整合了 CarlaOcc、nuScenes 和 KITTI360 数据,通过标准接口提供多分辨率标注及持久实例身份。
针对动态环境下单目同时定位与建图(SLAM)的挑战,本文提出 FLoTS-SLAM 系统。该方法通过计算光流与相机运动诱导的光流之间的残差来直接估计动态区域的不确定性,结合帧对齐精度减少误检。
推荐理由:提出基于光流残差直接估计动态区域的方法,在 DAVIS 数据集上动态掩码 IoU 提升 35%,显著降低姿态与深度重建误差。
本文提出一种无需额外训练的框架,将冻结的姿态估计器 VGGT 与重建骨干网络 TokenGS 结合,解决坐标系不一致与平移尺度失配问题。在包含 107 个场景的测试中,该方法在全视角及仅四张稀疏视图条件下均能达到接近 COLMAP 参考的质量(22.47 PSNR),实现了完全无需 COLMAP 的姿态自由重建流程。
推荐理由:该工作通过坐标系对齐与尺度修正,证明冻结的 VGGT 与 TokenGS 组合在稀疏视图下即可达到全视角质量,无需额外训练。
该论文提出了一种利用显微光学读取自然地面纹理以实现高精度全局定位的方法,将定位精度提升至数十微米量级。研究通过校准的移动龙门架系统验证了该方法在不同表面纹理上的表现,在 1007 个测试查询中实现了 28-73 微米的平移均方根误差(RMSE),且独立光度配准与特征定位估计的误差约为 9 微米。
推荐理由:原文展示了利用显微光学实现微米级移动机器人定位的方法,并验证了其在热膨胀等场景下的鲁棒性。
该论文介绍了 RTISSLAM-3D,一种专为搭载空中三维成像声纳、IMU 和轮速编码器的轮式机器人设计的新型全六自由度 SLAM 系统。系统通过恒虚警率(CFAR)检测器将声纳图像转化为稀疏的三维检测结果,结合声学里程计、极坐标子图描述符进行定位与识别,并利用三维配准验证闭环。