SlugTrails: An Egocentric Benchmark for Floor Plan Localization in Large Buildings

📄 arXiv: 2609.19876v1 📥 PDF

作者: Yunqian Cheng, Roberto Manduchi

分类: cs.CV

发布日期: 2026-09-17

备注: 8 pages, 4 figures. Preprint. Code and data: https://github.com/Head-inthe-Cloud/SlugTrails

🔗 代码/项目: GITHUB

💡 一句话要点

提出SlugTrails基准以解决大型建筑室内定位问题

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 室内定位 平面图 自我中心感知 大型建筑 数据集 模型微调 几何信息 机器人导航

📋 核心要点

  1. 现有的室内定位方法主要在小型住宅环境中评估，缺乏针对大型公共建筑的有效解决方案。
  2. 本文提出SlugTrails基准，结合真实环境的自我中心感知，提供多种几何数据采集方式以进行比较。
  3. 实验结果显示，经过SlugTrails微调的模型在各项任务上均有显著提升，表明室内数据的质量对定位性能至关重要。

📝 摘要（中文）

基于平面图的室内视觉定位能够实现无基础设施定位，但大多数方法在小型住宅环境中开发和评估，而非实际部署的大型公共建筑。本文提出SlugTrails，一个针对大型室内空间的平面图定位基准，采用现实的自我中心感知方式：通过30Hz的Aria眼镜记录三栋校园建筑和六层楼的环境（总面积22089平方米），并结合CAD生成的平面图及语义类别和流通空间掩码。实验结果表明，现有模型在SlugTrails上的表现几乎为零，而在SlugTrails上进行微调后，各种可训练模型在所有任务上均有显著提升，证明室内数据的不足是当前平面图定位的主要限制。

🔬 方法详解

问题定义：本文旨在解决大型建筑内的平面图定位问题，现有方法在小型环境中表现良好，但在大型公共建筑中效果不佳，缺乏有效的评估基准。

核心思路：SlugTrails基准通过提供真实的自我中心感知数据和多种几何数据采集方式，帮助研究者在相同环境下比较不同方法的性能，从而推动室内定位技术的发展。

技术框架：整体架构包括数据采集、平面图对齐和模型评估三个主要模块。数据采集采用Aria眼镜进行实时记录，平面图通过激光测量进行对齐，最后在相同的基准上评估不同模型的性能。

关键创新：SlugTrails的主要创新在于其针对大型室内空间的设计，提供了多种数据采集方式，并且通过微调显著提升了模型在该基准上的表现，突破了以往方法的局限。

关键设计：在模型训练中，采用了特定的损失函数和参数设置，以适应SlugTrails的特性，确保模型能够有效利用收集到的几何信息进行定位。具体细节包括对不同模型的微调策略和数据增强方法。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，未经微调的模型在SlugTrails上的表现几乎为零，而经过微调后，F$^3$Loc模型在单帧任务中的性能从0.0提升至0.141，序列任务中的性能从0.03提升至0.66，表明微调显著改善了模型的定位能力。

🎯 应用场景

该研究的潜在应用领域包括智能建筑管理、机器人导航和增强现实等。SlugTrails基准的发布将为室内定位技术的研究提供重要的数据支持和评估标准，推动相关技术的实际应用和发展。

📄 摘要（原文）

Floor-plan-based indoor visual localization enables infrastructure-free positioning, but most methods are developed and evaluated in small residential environments unlike the large public buildings of real deployment. We introduce SlugTrails, a floor plan localization benchmark for large indoor spaces under realistic egocentric sensing: $30$ Hz Aria glasses recordings across three campus buildings and six floors ($22089$ m$^2$ of floor plan outline), CAD-derived floor plans with semantic classes and circulation space masks, and trajectories aligned into the floor plan frame using laser-surveyed anchors. One protocol covers three practical ways of gathering geometry under a limited field of view -- a single walking frame, a stationary multi-view sweep, and a walking stream with odometry -- so methods designed for different regimes are compared on the same buildings and ground truth. Evaluating five representative geometric and learned systems under their native sensing configurations, we find that stock checkpoints (official released weights) are near zero on SlugTrails (at most $0.004$ R@1m30$^{\circ}$ on walking single frames), while fine-tuning on SlugTrails improves every trainable family on all three tasks (e.g., F$^3$Loc $0.0 \rightarrow 0.141$ single-frame and $0.03 \rightarrow 0.66$ sequential), with gains compounding as observations accumulate. The same fine-tuned weights also improve cross-dataset generalization on LaMAR with no LaMAR training (sequential R@1m $0.048 \rightarrow 0.143$ for F$^3$Loc and $0.063 \rightarrow 0.127$ for UnLoc), whereas train-from-scratch on SlugTrails alone stays far below fine-tuning from stock weights -- evidence that floor plan localization is currently limited by indoor data rather than by architecture. We release the dataset, protocols, and tools at https://github.com/Head-inthe-Cloud/SlugTrails.