MonoEgo: Monocular Metric Egocentric Demonstration Capture with Passive Wrist Constellations and Sparse Workstation Anchors
作者: Jie Xu, Kangjin Yu, Ziyi Jin, Beichen Wang, Zhongpu Xia
分类: cs.RO
发布日期: 2026-09-28
💡 一句话要点
提出MonoEgo以解决单目度量演示捕获问题
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)
关键词: 单目重建 度量演示 被动手腕星座 SLAM 地图合并 机器人导航 增强现实
📋 核心要点
- 现有的图像对齐度量演示依赖于专用的跟踪硬件，导致设备间同步困难，限制了应用场景。
- MonoEgo通过使用单目重建替代主动手腕仪器，利用被动手腕星座和稀疏工作站锚点进行捕获，简化了系统需求。
- 实验结果显示，MonoEgo在缺失相机姿态的恢复和地图组件的重新连接上表现出色，提升了度量跟踪的可靠性。
📝 摘要（中文）
图像对齐的度量演示通常需要专用的跟踪硬件和设备间的同步。我们提出了MonoEgo，一个捕获系统，通过离线单目重建替代主动手腕仪器。一个90-FPS的全局快门相机观察经过校准的被动手腕星座、稀疏的工作站锚点和共享图像时钟下的场景。MonoTag SLAM结合了标记角和ORB几何，利用视觉证据拒绝模糊的平面标记姿态。其度量地图支持间隔尺度重新锚定、验证的地图合并和基于最终地图的早期帧回溯定位。相机和手腕星座输出保持有效性和地图来源，未支持的运动则被标记为缺失。实验表明，度量跟踪超越了连续锚点可见性，重新连接了支持的地图组件，并恢复了一些缺失的相机姿态。与多传感器相机参考和单独的静态星座测试的比较表征了轨迹一致性和精度，同时揭示了不完整覆盖和残余几何不确定性。结果表明，被动装置和离线重建可以减少捕获端的要求。动态精度、部署和下游策略的益处需要进一步研究。
🔬 方法详解
问题定义：本论文旨在解决现有图像对齐度量演示中对专用跟踪硬件和设备间同步的依赖问题，这限制了系统的灵活性和应用范围。
核心思路：论文提出的MonoEgo系统通过离线单目重建替代主动手腕仪器，利用被动手腕星座和稀疏工作站锚点进行捕获，从而简化了硬件需求。
技术框架：MonoEgo的整体架构包括一个90-FPS的全局快门相机、MonoTag SLAM模块和度量地图管理。相机负责捕获场景和手腕星座信息，SLAM模块结合视觉证据进行姿态估计，最终生成度量地图。
关键创新：最重要的技术创新在于MonoTag SLAM的设计，它结合了标记角和ORB几何，并利用视觉证据来拒绝模糊的平面标记姿态，这一方法显著提高了定位的准确性和可靠性。
关键设计：在设计中，系统采用了经过校准的被动手腕星座和稀疏工作站锚点，确保了捕获数据的有效性和地图的来源，同时对未支持的运动进行标记以避免误差传播。
🖼️ 关键图片
📊 实验亮点
实验结果表明，MonoEgo在缺失相机姿态的恢复和地图组件的重新连接方面表现优异，超越了传统方法的连续锚点可见性限制。与多传感器相机参考的比较显示，轨迹一致性和精度得到了显著提升，尽管仍存在不完整覆盖和几何不确定性。
🎯 应用场景
MonoEgo的研究成果在机器人导航、增强现实和人机交互等领域具有广泛的应用潜力。通过降低对专用硬件的依赖，该系统可以在更广泛的环境中实现高效的度量演示捕获，推动相关技术的发展。
📄 摘要（原文）
Image-aligned metric demonstrations often require dedicated tracking hardware and synchronization across devices. We present MonoEgo, a capture system that replaces active wrist instrumentation with offline monocular reconstruction. One 90-FPS global-shutter camera observes calibrated passive wrist constellations, sparse workstation anchors, and the scene on a shared image clock. MonoTag SLAM combines marker corners with ORB geometry and uses visual evidence to reject ambiguous planar-marker poses. Its metric Atlas supports interval scale re-anchoring, verified map merging, and retrospective localization of earlier frames supported by the final map. Camera and wrist-constellation outputs retain validity and map provenance, and unsupported motion is left missing. Experiments show metric tracking beyond continuous anchor visibility, reconnection of supported map components, and recovery of some missing camera poses. Comparisons against a multisensor camera reference and separate stationary-constellation tests characterize trajectory agreement and precision while revealing incomplete coverage and residual geometric uncertainty. The results indicate that passive fixtures and offline reconstruction can reduce capture-side requirements. Dynamic accuracy, deployment, and downstream policy benefits require further study.