Page 124 - 《武汉大学学报（信息科学版）》2025年第10期

第 50 卷第 10 期 张晨阳等：一种自适应点线特征和 IMU 耦合的视觉 SLAM 方法 2059

IMU 融合的 SOTA 视觉惯导 SLAM 算法，上述 3 RMSE 中的平移和旋转误差量来综合对比，以综
种算法位姿估计精度高且鲁棒性较强。表 3 列出 合衡量各方法的定位精度，↑表示本文算法相对
了本文方法以及上述 3 种方法在数据集 EuRoC 3 种算法在平移和旋转量精度有提升，括号内百
上的测试结果。在评价指标方面，仍采用 ATE- 分数表示结果提升的百分比。

表 3 EuRoc 数据集下 4 种视觉惯导 SLAM 方法位姿实验结果对比
Table 3 Comparison of Pose Experimental Results of 4 Visual Inertial SLAM Methods on the EuRoc Dataset
VINS-Fusion PL-VINS ORB-SLAM3 本文方法
数据
（双目+点+IMU） （单目+点+线+IMU） （双目+点+IMU） （自适应点线+IMU）
序列
Trans./m Rot./rad Trans./m Rot./rad Trans./m Rot./rad Trans./m Rot./rad
MH01 0.201 0.036 0.150 0.029 0.044 0.028 0.046 0.025
MH02 0.165 0.036 0.085 0.034 0.031 0.021 0.027 0.020
MH03 0.176 0.031 0.105 0.022 0.030 0.025 0.029 0.025
MH04 0.407 0.037 0.259 0.026 0.055 0.026 0.046 0.026
MH05 0.324 0.031 0.241 0.021 0.090 0.016 0.071 0.014
V101 0.090 0.097 0.058 0.099 0.038 0.103 0.035 0.103
V102 0.108 0.046 0.098 0.045 0.014 0.043 0.015 0.044
V103 0.137 0.125 0.181 0.060 0.025 0.047 0.025 0.047
V201 0.090 0.048 0.073 0.033 0.032 0.021 0.015 0.024
V202 0.103 0.040 0.086 0.030 0.014 0.020 0.020 0.019
0.053 0.130 0.040 0.037
平均 0.180 （82%）↑ 0.035 （0.8%）↑ 0.033 0.0347
（34%）↑ （75%）↑ （13%）↑ （12%）↑

从表 3 的实验结果可以看出，本文的视觉惯 42%，这是因为数据序列 V202 有大量的快速旋
导 SLAM 方法在 8 组数据序列上整体表现了相 转和平移，这对于算法线特征的匹配和追踪是不
对较高的定位精度。相机绝对位姿的平移量和 利的，从而影响位姿估计算法的收敛速度和鲁棒
旋转量在大多数据序列优于上述 3 种视觉惯导 性，如何保证在图像质量下降下的线特征匹配稳
SLAM 算法。尽管在 MH01、V102 和 V202 数据 健是本文后续需继续研究方向之一。
序列中，本文方法虽未能达到最佳结果，但基本 整体综合表 3 的实验对比结果来看，本文方
上能够获得所有测试实验结果中的次优结果，并 法 在 平 移 量 和 旋 转 量 相 对 上 述 3 种 算 法 有
且与 ORB-SLAM3 算法的精度差距较小（MH01 0.8%~82% 不同程度的提升。图 12 列出了表 3
和 V102）。在数据序列 V202 中 ，本文方法的实 中每种 SLAM 方法在不同数据序列旋转和平移
验 结 果 相 比 ORB-SLAM3 算 法 定 位 精 度 下 降 量的 RMSE。

图 12 4 种 SLAM 方法在 EuRoC 数据集下的绝对位姿平移、旋转量 RMSE 误差柱状图
Fig. 12 Bar Charts of RMSE of Absolute Pose Translation and Rotation from 4 SLAM Methods with EuRoC Dataset

从图 12 中的位姿平移量和旋转 RMSE 柱状 较大，PL-VINS 增加了线特征，在绝对位姿的平
图不难看出，VINS-Fusion 在平移和旋转量偏差 移和旋转量 RMSE 有所下降，ORB-SLAM3 相比