POPL-KF: A Pose-Only Geometric Representation-Based Kalman Filter for Point-Line-Based Visual-Inertial Odometry

📄 arXiv: 2602.06425v1 📥 PDF

作者: Aiping Wang, Zhaolong Yang, Shuwen Chen, Hai Zhang

分类: cs.CV

发布日期: 2026-02-06

💡 一句话要点

提出POPL-KF，一种基于位姿几何表示的点线视觉惯性里程计，提升复杂场景定位精度。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 视觉惯性里程计 卡尔曼滤波 点线特征 位姿估计 几何表示

📋 核心要点

  1. 传统VIO系统依赖点特征，在复杂场景下性能受限，且MSCKF存在线性化误差和延迟更新问题。
  2. 提出POPL-KF，核心在于使用点和线特征的仅位姿几何表示，消除特征坐标，实现即时更新。
  3. 实验表明，POPL-KF在公共数据集和真实场景中优于现有滤波和优化方法，并保持实时性。

📝 摘要（中文）

主流的视觉惯性里程计(VIO)系统依赖于点特征进行运动估计和定位，但在复杂场景中性能会下降。此外，基于多状态约束卡尔曼滤波器(MSCKF)的VIO系统的定位精度受到与特征3D坐标相关的线性化误差和延迟测量更新的影响。为了提高VIO在复杂场景中的性能，我们首先提出了一种用于线特征的仅位姿几何表示。在此基础上，我们开发了POPL-KF，这是一种基于卡尔曼滤波器的VIO系统，它对点和线特征都采用仅位姿几何表示。POPL-KF通过显式地从测量方程中消除点和线特征坐标来减轻线性化误差，同时能够立即更新视觉测量。我们还为点和线特征设计了一种统一的基础帧选择算法，以确保仅位姿测量模型中对相机位姿的最佳约束。为了进一步提高线特征质量，提出了一种基于图像网格分割和双向光流一致性的线特征滤波器。我们的系统在公共数据集和真实世界实验中进行了评估，结果表明POPL-KF优于最先进的(SOTA)基于滤波器的方法(OpenVINS, PO-KF)和基于优化的方法(PL-VINS, EPLF-VINS)，同时保持了实时性能。

🔬 方法详解

问题定义：现有VIO系统在复杂场景下，由于依赖点特征和MSCKF的线性化误差，定位精度下降。特别是基于MSCKF的VIO系统，其特征3D坐标的线性化以及延迟测量更新会进一步降低性能。因此，需要一种更鲁棒、更精确的VIO方案，能在复杂环境下有效利用点和线特征。

核心思路：POPL-KF的核心思路是采用“仅位姿”的几何表示，将点和线特征的3D坐标从状态向量中移除，从而避免了与这些坐标相关的线性化误差。通过这种方式，测量更新可以立即进行，而无需等待特征三角化或优化。此外，统一的基础帧选择算法确保了对相机位姿的最佳约束。

技术框架：POPL-KF系统主要包含以下几个模块：1) 线特征提取与过滤：使用基于图像网格分割和双向光流一致性的线特征滤波器，提高线特征的质量。2) 仅位姿几何表示：将点和线特征都表示为与相机位姿相关的几何约束，消除特征坐标。3) 卡尔曼滤波：使用卡尔曼滤波器进行状态估计和更新，融合视觉和惯性测量。4) 统一的基础帧选择：为点和线特征设计统一的基础帧选择算法，优化位姿约束。

关键创新：POPL-KF最关键的创新在于其“仅位姿”的几何表示。与传统方法不同，POPL-KF不直接估计点和线特征的3D坐标，而是将它们表示为相机位姿的函数。这种表示方式避免了与特征坐标相关的线性化误差，并允许立即更新视觉测量。此外，统一的基础帧选择算法也是一个重要的创新，它确保了对相机位姿的最佳约束。

关键设计：线特征滤波器基于图像网格分割和双向光流一致性，用于提高线特征的质量。统一的基础帧选择算法，根据特征与当前帧的距离和观测角度，选择最佳的基础帧，以最大化位姿约束。卡尔曼滤波器的状态向量包括相机位姿、速度、加速度计和陀螺仪的偏置。测量模型基于仅位姿几何表示，将点和线特征的观测表示为相机位姿的函数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

POPL-KF在公共数据集和真实世界实验中表现出色，优于OpenVINS、PO-KF等滤波方法以及PL-VINS、EPLF-VINS等优化方法。实验结果表明，POPL-KF在复杂场景下能够显著提高定位精度和鲁棒性，同时保持实时性能。

🎯 应用场景

POPL-KF适用于需要高精度和鲁棒性的视觉惯性导航应用，例如增强现实、机器人导航、无人机自主飞行等。尤其在光照变化剧烈、纹理稀疏或存在大量重复结构的复杂环境中，POPL-KF能够提供更可靠的定位和姿态估计，具有重要的实际应用价值。

📄 摘要（原文）

Mainstream Visual-inertial odometry (VIO) systems rely on point features for motion estimation and localization. However, their performance degrades in challenging scenarios. Moreover, the localization accuracy of multi-state constraint Kalman filter (MSCKF)-based VIO systems suffers from linearization errors associated with feature 3D coordinates and delayed measurement updates. To improve the performance of VIO in challenging scenes, we first propose a pose-only geometric representation for line features. Building on this, we develop POPL-KF, a Kalman filter-based VIO system that employs a pose-only geometric representation for both point and line features. POPL-KF mitigates linearization errors by explicitly eliminating both point and line feature coordinates from the measurement equations, while enabling immediate update of visual measurements. We also design a unified base-frames selection algorithm for both point and line features to ensure optimal constraints on camera poses within the pose-only measurement model. To further improve line feature quality, a line feature filter based on image grid segmentation and bidirectional optical flow consistency is proposed. Our system is evaluated on public datasets and real-world experiments, demonstrating that POPL-KF outperforms the state-of-the-art (SOTA) filter-based methods (OpenVINS, PO-KF) and optimization-based methods (PL-VINS, EPLF-VINS), while maintaining real-time performance.