Page 125 - 《武汉大学学报（信息科学版）》2025年第10期

2060 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 10 月

较 VINS-Fusion 和 PL-VINS 精 度 有 明 显 提 升 。 其中，图 13 中蓝色线段表示每一时刻算法估计的
综 合 柱 状 图 ，本 文 的 SLAM 方 法 相 比 ORB- 相机绝对位姿信息，黑色线段是相机的真实运动
SLAM3 虽在个别数据序列上（V202）位姿估计精
轨迹，红色线段则代表估计值与真实值之间的偏
度未能达到最优，但能获得次优结果。综合对比
差 。 结 合 图 14 的 箱 线 图 分 析 可 知 ，本 文 SLAM
以上 3 种 SLAM 方法位姿估计结果，本文方法在
方法相较于 VINS-Fusion 与 PL-VINS 所得轨迹
整体位姿估计精度方面展现出较强的竞争力与
误差的中位数明显偏低，表明其定位结果更为精
鲁棒性。
确，且整体稳定性更高，波动范围较小。同样，对
最后，为定性对比研究 4 种 SLAM 方法的数
比 ORB-SLAM3 相 机 运 动 轨 迹 ，本 文 方 法 在
据集实验测试结果，图 13 和 14 分别给出了上述 4
种 SLAM 方 法 在 MH04、MH05 和 V201 数 据 序 MH05 和 V201 序列下的相机运动轨迹定位精度
列下的相机绝对运动轨迹误差示意图和箱线图。 明显优于前者。

图 13 4 种 SLAM 方法在不同数据序列运动轨迹结果对比
Fig. 13 Comparison of Motion Trajectory Results from 4 SLAM Methods in Different Data Sequences