MoCap2GT: A High-Precision Ground Truth Estimator for SLAM Benchmarking Based on Motion Capture and IMU Fusion

📄 arXiv: 2507.12920v1 📥 PDF

作者: Zichao Shu, Shitao Bei, Jicheng Dai, Lijun Li, Zetao Chen

分类: cs.RO

发布日期: 2025-07-17

💡 一句话要点

MoCap2GT：基于运动捕捉与IMU融合的高精度SLAM基准真值估计器

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: SLAM基准测试 运动捕捉 IMU融合 真值估计 B样条优化

📋 核心要点

  1. 现有基于MoCap的SLAM基准测试受限于MoCap系统与DUT之间的时空校准误差和MoCap固有的抖动，难以准确评估旋转和帧间误差。
  2. MoCap2GT通过联合优化MoCap数据和DUT的IMU测量，利用高阶B样条姿态参数化和退化感知测量拒绝策略，生成高精度真值轨迹。
  3. 实验结果表明，MoCap2GT在SLAM基准测试中优于现有方法，能够更精确地评估SLAM算法的性能。

📝 摘要（中文）

本文提出了一种名为MoCap2GT的联合优化方法，旨在为SLAM算法的基准测试生成高精度的真值轨迹。该方法融合了基于Marker的光学运动捕捉系统（MoCap）数据和被测设备（DUT）的惯性测量单元（IMU）数据。MoCap2GT包含一个鲁棒的状态初始化器以确保全局收敛，引入了SE(3)流形上的高阶B样条姿态参数化以及可变的时间偏移来有效地建模MoCap因素，并采用了一种退化感知测量拒绝策略来提高估计精度。实验结果表明，MoCap2GT优于现有方法，并显著有助于精确的SLAM基准测试。

🔬 方法详解

问题定义：现有基于运动捕捉系统（MoCap）的SLAM基准测试方法，其精度受到MoCap系统与被测设备（DUT）之间的时空校准误差以及MoCap系统自身抖动的影响。这导致现有基准测试主要关注绝对平移误差，难以准确评估旋转和帧间误差，从而阻碍了对SLAM算法的全面评估。

核心思路：MoCap2GT的核心思路是通过联合优化MoCap数据和DUT的IMU测量数据，利用IMU数据对MoCap数据进行约束和校正，从而生成高精度的真值轨迹。这种方法能够有效地降低MoCap系统的误差，并提高SLAM基准测试的精度。

技术框架：MoCap2GT的整体框架包括以下几个主要模块：1) 鲁棒的状态初始化器，用于确保全局收敛；2) 基于SE(3)流形的高阶B样条姿态参数化，用于有效地建模MoCap因素，并允许可变的时间偏移；3) 退化感知测量拒绝策略，用于提高估计精度。这些模块协同工作，共同生成高精度的真值轨迹。

关键创新：MoCap2GT的关键创新在于：1) 提出了一种鲁棒的状态初始化方法，能够确保全局收敛；2) 引入了SE(3)流形上的高阶B样条姿态参数化，能够更精确地建模MoCap的运动轨迹；3) 采用了一种退化感知测量拒绝策略，能够有效地排除噪声测量，提高估计精度。

关键设计：MoCap2GT的关键设计包括：1) 使用高阶B样条来参数化姿态，允许更灵活地建模MoCap轨迹，并能处理时间偏移；2) 设计了一种退化感知测量拒绝策略，该策略能够识别并排除那些可能导致估计退化的测量值，例如，当IMU的激励不足时，某些测量值可能变得不可靠。3) 损失函数的设计，需要平衡MoCap测量误差和IMU测量误差，并合理设置权重。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MoCap2GT在SLAM基准测试中优于现有方法。具体而言，MoCap2GT能够显著降低真值轨迹的误差，从而更准确地评估SLAM算法的性能。论文中提供了具体的性能数据，并与现有基线方法进行了对比，展示了MoCap2GT的优越性。由于匿名评审，具体数据未在摘要中体现。

🎯 应用场景

MoCap2GT可广泛应用于SLAM算法的基准测试和性能评估，尤其是在需要高精度真值轨迹的场景中，例如机器人导航、增强现实、虚拟现实等。该方法能够提供更可靠的评估结果，从而促进SLAM算法的改进和优化。未来，该方法可以扩展到其他类型的传感器融合系统，例如视觉惯性里程计（VIO）的评估。

📄 摘要（原文）

Marker-based optical motion capture (MoCap) systems are widely used to provide ground truth (GT) trajectories for benchmarking SLAM algorithms. However, the accuracy of MoCap-based GT trajectories is mainly affected by two factors: spatiotemporal calibration errors between the MoCap system and the device under test (DUT), and inherent MoCap jitter. Consequently, existing benchmarks focus primarily on absolute translation error, as accurate assessment of rotation and inter-frame errors remains challenging, hindering thorough SLAM evaluation. This paper proposes MoCap2GT, a joint optimization approach that integrates MoCap data and inertial measurement unit (IMU) measurements from the DUT for generating high-precision GT trajectories. MoCap2GT includes a robust state initializer to ensure global convergence, introduces a higher-order B-spline pose parameterization on the SE(3) manifold with variable time offset to effectively model MoCap factors, and employs a degeneracy-aware measurement rejection strategy to enhance estimation accuracy. Experimental results demonstrate that MoCap2GT outperforms existing methods and significantly contributes to precise SLAM benchmarking. The source code is available at https://anonymous.4open.science/r/mocap2gt (temporarily hosted anonymously for double-blind review).