Benchmarking Visual-Inertial Odometry in Subterranean Environments Under Sensor Degradation, Miscalibration, and Dynamic Occlusion
作者: Yueying Zhu, Xiang Li, Thien-Minh Nguyen, Xuehe Wang, Shenghai Yuan
分类: cs.RO
发布日期: 2026-09-16
备注: 8 pages, 5 figures
💡 一句话要点
提出针对地下环境的视觉惯性里程计失效评估基准
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 视觉惯性里程计 地下环境 传感器失效 动态遮挡 性能评估 鲁棒性分析 CERBERUS数据集
📋 核心要点
- 现有的视觉惯性里程计评估主要集中在正常条件下的准确性，缺乏对传感器失效和动态干扰的深入分析。
- 本文提出了一种新的失效中心压力测试基准，系统评估VIO在地下环境中的表现，涵盖多种扰动设置。
- 研究结果显示不同VIO方法在面对各种扰动时的脆弱性差异，为实际应用提供了重要的指导和参考。
📝 摘要（中文）
视觉惯性里程计（VIO）是GPS受限的地下环境中自主操作的核心能力，但在传感器漂移、校准错误和动态遮挡下，其可靠性可能急剧下降。现有评估主要强调正常条件下的准确性，缺乏对实际部署失败的深入洞察。本文提出了一种以失效为中心的压力测试基准，系统评估了四种代表性的VIO系统在九种实际扰动设置下的表现，揭示了不同VIO方法在面对惯性退化、几何失调和动态干扰时的脆弱性模式。这些结果为VIO的选择、校准优先级和在复杂地下场景中的可靠操作提供了指导。
🔬 方法详解
问题定义：本文旨在解决视觉惯性里程计在地下环境中因传感器漂移、校准错误和动态遮挡导致的可靠性下降问题。现有方法主要关注正常条件下的性能，缺乏对失效情况的评估。
核心思路：通过构建以失效为中心的压力测试基准，系统评估四种不同的VIO系统在多种扰动条件下的表现，揭示其在实际应用中的脆弱性。
技术框架：研究使用CERBERUS数据集，评估四种VIO系统，涵盖过滤、优化和学习三种范式。实验设置包括九种扰动条件，如IMU偏差、噪声变化和相机内外参数漂移。
关键创新：本文的创新在于提出了一种新的评估框架，强调在实际应用中可能出现的失效情况，而不仅仅是传统的轨迹误差分析。
关键设计：在实验中，设置了多种扰动参数，分析了覆盖率和失效阈值等指标，以揭示不同VIO方法的脆弱性模式。
🖼️ 关键图片
📊 实验亮点
实验结果表明，不同VIO方法在面对动态干扰和传感器失效时表现出显著的脆弱性差异。例如，某些方法对惯性退化更敏感，而其他方法则更易受到几何失调的影响。这些发现为VIO系统的选择和优化提供了重要依据。
🎯 应用场景
该研究具有广泛的应用潜力，尤其适用于地下探测、机器人导航和自主驾驶等领域。通过提供可靠的VIO选择和校准指导，可以显著提高在复杂环境中的操作安全性和效率，推动相关技术的进一步发展和应用。
📄 摘要（原文）
Visual-inertial odometry (VIO) is a core capability for autonomous operation in GPS-denied subterranean environments, yet its reliability can degrade sharply under sensor drift, calibration errors, and dynamic occlusion. Existing evaluations mainly emphasize nominal-condition accuracy, offering limited insight into when practical deployment failures occur. In this work, we present a failure-centric stress-test benchmark for VIO in underground environments using the CERBERUS dataset. We systematically evaluate four representative VIO systems spanning filtering-, optimization-, and learning-based paradigms under nine practical perturbation settings, including IMU bias and noise variation, camera intrinsic and extrinsic drift, and dynamic scene occlusion. Beyond conventional trajectory error, we analyze robustness limits through coverage ratio and failure thresholds, revealing breakdown behaviors that are not captured by nominal-condition performance alone. Our study shows distinct vulnerability patterns across VIO paradigms: some methods are more sensitive to inertial degradation, while others are more affected by geometric miscalibration or dynamic interference. These results provide deployment-oriented guidance for VIO selection, calibration prioritization, and reliable operation in challenging underground scenarios. To support reproducible evaluation and future extensions, we will release the full benchmark scripts and evaluation pipeline.