DAVIO: Dense Monocular-Inertial SLAM with Feed-Forward Initialization and Pose-Conditioned Mapping
作者: Jaafar Mahmoud, Arthur Movsesyan, Mikhail Iumanov, Sergey Kolyubin
分类: cs.RO, cs.CV
发布日期: 2026-09-23
💡 一句话要点
提出DAVIO以解决稀疏特征映射问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 稠密SLAM 视觉惯性导航 深度学习 机器人定位 多视角深度模型 实时系统 地图优化
📋 核心要点
- 现有的视觉惯性SLAM方法通常依赖于稀疏特征，导致在复杂环境中的定位和映射精度不足。
- DAVIO通过使用单一的多视角深度模型，结合IMU数据，实现了特征无关的线性系统初始化和稠密映射。
- 在EuRoC和建筑规模的ORI序列实验中，DAVIO表现出更早的启动时间和更低的定位误差，映射精度显著提升。
📝 摘要（中文）
DAVIO是一种新的稠密单目惯性SLAM系统，利用单一的多视角深度模型Depth Anything~3进行初始化和映射。与传统视觉惯性滤波器需要等待视差并仅保留稀疏地标不同，DAVIO在启动时通过五幅图像窗口和预积分的IMU测量构建特征无关的线性系统。该系统的稳健解法为VIO滤波器提供了启动支持。在跟踪过程中，滤波器的度量姿态对深度模型进行条件约束，残差尺度仅沿视线进行校正，从而保持度量相机基线。实验结果表明，DAVIO在EuRoC数据集上启动时间显著提前，定位误差降低，映射精度高于现有的前馈映射方法。
🔬 方法详解
问题定义：现有的视觉惯性SLAM方法在启动时需要等待视差，并且仅保留稀疏地标，导致在复杂环境中的定位和映射精度不足。
核心思路：DAVIO利用单一的多视角深度模型Depth Anything~3，结合IMU数据，构建特征无关的线性系统，实现快速启动和稠密映射。
技术框架：DAVIO的整体架构包括启动阶段和跟踪阶段。在启动阶段，使用五幅图像窗口和预积分的IMU测量构建线性系统；在跟踪阶段，滤波器的度量姿态对深度模型进行条件约束。
关键创新：DAVIO的主要创新在于通过特征无关的线性系统实现快速初始化，并在跟踪过程中通过残差尺度校正保持度量相机基线，显著提高了映射精度。
关键设计：在参数设置上，DAVIO采用了稳健的条件检查机制，确保解的稳定性；同时，设计了重访机制以减少漂移，并通过重访图优化映射精度。
🖼️ 关键图片
📊 实验亮点
在EuRoC数据集上，DAVIO的启动时间显著提前，定位误差降低，映射精度高于现有的前馈映射方法。在建筑规模的ORI序列中，DAVIO的表现与最先进的映射方法相当，且在真实里程计替代真实姿态时，性能下降幅度较小。
🎯 应用场景
DAVIO的研究成果在机器人导航、增强现实和无人驾驶等领域具有广泛的应用潜力。其高精度的稠密映射能力能够为复杂环境中的定位提供可靠支持，推动相关技术的发展和应用。
📄 摘要（原文）
A camera and an IMU are the minimal sensor setup for metric localization and dense mapping, yet classical visual--inertial filters must wait for parallax before they start and then retain only sparse landmarks. Feed-forward geometry models, in contrast, predict dense structure from a few images but provide neither metric scale nor gravity. We present DAVIO, which uses a single multi-view depth model, Depth Anything~3, for both start-up and mapping. At start-up, a five-image window and preintegrated IMU measurements form a feature-free linear system. Its robust, conditioning-checked solution bootstraps a VIO filter through buffered replay. During tracking, the filter's metric poses condition the depth model. Residual scale is corrected only along viewing rays, which preserves the metric camera baselines, and a gravity-preserving submap graph with drift-gated revisits refines the map. On EuRoC, DAVIO starts markedly earlier, reduces the localization error, and maps more accurately than SOTA feed-forward mappers given identical poses. On building-scale ORI sequences, DAVIO is on bar or better than SOTA mappers on the same odometry, and degrades far less when GT poses are replaced by real odometry. We release the code of DAVIO, a real-time dense metric SLAM system, to the community.