英伟达cuVSLAM加入直线特征，仓储机器人轨迹误差降低38.5%

移动机器人的视觉定位系统若在角点之外同时跟踪直线边缘，能否在不更换、不拖慢现有估计器的前提下，在缺乏纹理的仓库通道中保持精度。

视觉里程计依靠逐帧跟踪带纹理的小点。仓库和工厂里大量是单色墙面、重复货架和反光地面，点跟踪很容易失配，位置估计随之漂移。漂移决定了自主移动机器人在需要重新定位前能走多远，这也是许多物流场景仍愿意为激光雷达付费的原因之一。

PL-SLAM、PL-VIO、PL-VINS等点线结合方法已经引入线特征，但生成线的帧一旦离开优化窗口，线路标就被删除；多视角的线没有单独的融合步骤；点和线始终共用固定权重，与剩余点的数量无关。英伟达的CUDA加速SLAM系统cuVSLAM可在Jetson上实时运行、支持多达32路相机，但只跟踪点。

作者保持cuVSLAM的点处理链路不变，在旁边并行加入线处理链路。用LSD检测直线、用LBD描述子匹配，并存入持久注册表，使早先看到的边缘在很久之后仍可复用。每条线的三维估计取最近若干次重建中剔除最不一致者后的截尾均值。线误差与点误差进入同一个逐帧位姿求解和同一个滑动窗口光束平差，点观测越少，线的权重在上下限之内越大。关闭线链路后系统与原版完全一致。

在不做尺度校正的严格对齐RGB-D模式下，TUM RGB-D freiburg3全部22个序列的平均绝对轨迹误差由0.1960米降至0.1205米，降幅38.5%，中位数由0.1436米降至0.0511米，降幅64.4%；22个序列中19个改善，large_cabinet降79.2%，walking_static降88.6%。在cuVSLAM原论文使用的10序列子集上，误差由0.1112米降至0.0357米，降幅67.9%，比论文所列ORB-SLAM3的0.067米低46.7%（MEKAWIRE计算）。Replica 8个序列平均平移误差降30.1%，旋转误差中位数降66.4%（0.580度降至0.195度）。30个序列中26个平移精度提升，无一跟踪失败。

该研究为预印本，只在两个公开数据集上评估，一个为手持RGB-D相机录制，另一个为无传感器噪声的渲染数据；没有真实仓储机器人测试，没有双目或惯性配置，也没有报告线链路增加的计算时间和Jetson负载。逐帧精度略有下降（TUM平均单帧平移误差由0.0108米升至0.0136米，约增26%，MEKAWIRE计算），近距离观察无纹理表面时，按点数调整权重的规则会把过多权重交给不可靠的重复边缘，误差反而增大（某序列由0.3889米升至0.7386米）。作者提出按观测估计不确定性和直接线跟踪作为改进方向。