Page 126 - 《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 2061

图 14 不同数据序列下各个 SLAM 方法位姿估计箱线图对比结果
Fig. 14 Comparison Results of Box-Plots for Pose Estimation Using Different SLAM Methods
Under Different Data Sequences

2.3 时间效率分析 时间大约为 0.070 s。在后端优化中，视觉特征优
本文最后对所提 SLAM 系统中各模块的运 化迭代过程需要同时处理点线视觉特征和 IMU
行效率进行了分析，具体如表 4 所示。在双目图 观测量，所以耗时较长，点线特征位姿更新大约
像上提取点线特征大约需要 0.05 s，平均每幅图 需要 0.022 s。整个系统运行于一台搭载 Intel i5
像需要耗费 0.025 s 左右。前端点线视觉特征和 处理器、未使用 GPU 加速的普通 PC 机上。本文
IMU 预积分测量数据构建图模型需 0.001 s，而前 SLAM 方法在同时处理点线特征和 IMU 数据的
端优化迭代需要 0.018 s。此外，考虑到视觉特征 情况下，能够每秒处理大约 14 帧，基本满足实时
跟踪处理和匹配等因素，平均跟踪每帧图像耗费 性要求。

表 4 各模块运行的时间/s
Table 4 Execution Time of Each Module/s
特征提取 前端特征跟踪处理与图优化 后端图优化与特征位姿更新
图像点特征提 图像线特征提 跟踪处理每帧 前端点线-IMU 模 前端优化迭代 后端优化模型 后端图优化迭 点线特征位
取平均时间 取平均时间 图像平均时间 型构建平均时间 过程平均时间 构建平均时间 代过程时间 姿更新时间
0.022 0.028 0.070 0.001 0.009 0.018 0.40 0.022

3 结 语 视觉 SLAM。
在开源数据基准上开展测试验证实验，并与
针对室内低/弱纹理、光照不足的场景下，视 几种典型的视觉惯导 SLAM 方法做了定性和定
觉惯导 SLAM 算法难以检测并追踪足够的视觉 量对比分析。实验结果表明，相比其他视觉惯导
特征，以及 IMU 测量信息利用不充分等问题，从 SLAM 方案，本文构建的 SLAM 方法的定位精度
而导致算法定位精度低、鲁棒性弱的问题，本文 相比 ORB-SLAM3、PL-VINS 和 VINS-Fusion 算
提出了一种基于自适应点线特征与 IMU 融合的 法至少提升了 12%，充分证明了自适应点线特征

视 觉 SLAM 方 法 。 本 文 方 法 的 创 新 点 主 要 有 3 与 IMU 松-紧耦合策略在提升视觉 SLAM 精度与
个方面：（1）构建了自适应的点线特征检测提取 鲁棒性方面的有效性。
方法，改善了在不同场景图像中点线特征的提取
参 考 文 献
效果，并增强了特征提取和匹配结果的鲁棒性；
（2）充分利用 IMU 先验观测量，通过前端松耦合 ［1］ 施俊屹， 查富生， 孙立宁， 等 . 移动机器人视觉惯
的方式，在初始化阶段融合自适应点线特征，提 性 SLAM 研 究 进 展［J］. 机 器 人 ， 2020， 42（6）：
734-748.
供了稳健的初始化结果，为后续的特征跟踪和后
SHI Junyi， ZHA Fusheng， SUN Lining， et al. A
端优化提供了较稳健的初值。（3）后端基于紧耦
Survey of Visual-Inertial SLAM for Mobile Robots
合的方式，联合点线特征信息构造非线性优化平
［J］. Robot， 2020， 42（6）： 734-748.
差模型，实现自适应点线特征与 IMU 数据的高效 ［2］ 廖 健 驰 ， 李 星 星 ， 冯 绍 权 . GVIL： 基 于 图 优 化 的
融合，从而构建了自适应点线特征与 IMU 耦合的 GNSS PPP/视觉/惯性/激光雷达紧组合算法［J］.