> ## Documentation Index > Fetch the complete documentation index at: https://kensou.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # Mvp slam multi camera visual inertial floorplan pr dissection [//]: # "" # MVP-SLAM：多相机视觉惯性楼层平面先验 SLAM (MVP-SLAM: Multi-Camera Visual-Inertial Floorplan-Prior SLAM) > **发布时间**：2026-09-30（arXiv:2609.39596v1 \[cs.RO]） > **论文 / 模型名**：MVP-SLAM (Multi-Camera Visual-Inertial Floorplan-Prior SLAM) > **核心定位**：在建筑工地用**纯视觉（两台背靠背鱼眼）+ IMU**，把 as-planned 楼层平面图在线融入 SLAM 后端持续纠偏——比只在轨迹建完后离线对齐平面图的方法（Z-FLoc / OmniRecon / CUFE）更"实时"，比依赖深度/激光的方法（ivS-Graphs / BIM 锚定）更"传感器轻量"。 在弱光、重复低纹理、有移动工人的工地上，VSLAM 会沿长轨迹累积漂移；而建筑的结构元素（墙、柱）在楼层平面图里是**设计阶段就免费拿到的度量参考**。已有方法要么离线用平面图纠偏、要么需要 depth/LiDAR，**"相机-only + 在线平面图纠偏"此前未被探索**。MVP-SLAM 用检测到的墙与平面图匹配，通过 drift-aware 策略和多阶段集成，让每一次匹配变成持久的、有界的纠偏。 *** ## X-Ray 开场 * **解决什么问题**：室内工地 VSLAM 长轨迹漂移，而现成的 as-planned floor plan 没被"在线"用作纠偏锚点（离线方法时机不对，depth-based 方法硬件不合手）。 * **提出了什么**：一个建在 ORB-SLAM3 上的三模块系统——多相机 VI SLAM 前端 + 语义墙检测/平面图关联（含 drift-aware 门控与评分）+ 多阶段平面图集成（把每个匹配变成各向异性持久先验）。 * **对 spatial AI 研究者意味着什么**：**一张廉价、普适的 2D 设计图（HD-map 先验）可以在线充当度量纠偏源**；纠偏不是"把位姿拉过去"，而是沿墙法向硬约束、沿墙面自由滑动的各向异性先验——这给"几何先验 + 增量 SLAM"提供了一种可直接迁移的因子设计模式。 *** ## 📍 研究全景时间线 ``` 2013 ─ 2020 单目视觉惯性 SLAM 成熟（ORB-SLAM3 2020：无平面图，任意帧） │ ~2020 多相机 VI：MAVIS 靠重叠 stereo pair；非重叠纯视觉无 IMU → 尺度不可观 │ ~2024-25 平面图用作"后处理对齐"：Z-FLoc（鸟瞰重建+单全局变换）、 │ OmniRecon（离线 SfM 点云 2D ICP）、CUFE（离线轨迹精修） │ → 只在轨迹建完后用平面图，不纠偏过程 │ ~2024-25 平面图进入 SLAM 后端，但靠 depth/range： │ LiDAR 锚定 BIM、scene-graph 匹配、ivS-Graphs（RGB-D 墙匹配） │ 非深度方案 [18]：把稀疏点注册到密集 as-built 数字孪生（需单独采集/更新） │ ▶ 2026 MVP-SLAM（本文）：相机-only、在线、把 as-planned 平面图逐匹配 融入后端 → 轨迹与地图在视觉+惯性+平面图约束下联合在线优化 │ ▼ 局限：只在"检测到墙并匹配上"处纠偏；柱状主导的大开间（UG 层）少墙 → 漂移不纠；初始化依赖一个粗 T_s；后向 dead-reckoning 合并要求 IMU 传播可靠 ``` *** ## 1 · 核心架构 / 方法总览 ### 1.1 系统/组件对比表 | 模块 | 输入 | 输出 | 训练 vs 推理差异 | | - | - | - | - | | **① 多相机 VI SLAM**（§III-B，建在 ORB-SLAM3 上） | 前/后 \~200° 鱼眼流、1 kHz IMU、4 cm 基线外参（来自 IMU-camera 标定） | 连续度量轨迹 + 稀疏特征地图 | 纯推理。双流**单目各自跟踪同一张共享地图**（重叠太小不做 stereo）；Kannala–Brandt 鱼眼投影 | | ↳ 快速初始化 | 双相机图 + IMU | 首个度量地图 | 两条路径按序尝试：(a) 跨相机度量播种（共享边缘带内沿已知跨相机极线、少量深度假设，取幸存匹配**中值深度**定尺度）；(b) gyro 辅助回退（旋转由 gyro 预积分给，2-point RANSAC 只解平移方向） | | ↳ 惯性地图合并 | 跟踪丢失前后的关键帧 + IMU | 合并后的单帧地图 | 对丢失期间的帧做 dead-reckoning 传播，比对旧末关键帧与新图首关键帧 → 只解 4-DoF（yaw + 平移，VI 中不可观） | | **② 语义墙检测 + 平面图关联**（§III-C） | 地图点、双鱼眼图、CAD 平面图 | 匹配对 (W\_s, W\_plan) | **EoMT 预训练全景分割器（COCO-panoptic，含 wall 类）零微调**；标签用饱和 hysteresis 稳定；重力滤波 + 深度带 + 新点延迟三滤；重力对齐帧内 sequential RANSAC（MSAC），两点最小样本，azimuth+距离参数化；平面图侧 CAD→2D wall faces 网格搜索配准 + 共线合并/补对face | | **③ 多阶段平面图集成**（§III-D） | 每个匹配对 | 持久纠偏 + 平面图内定位 | Step1 局部对齐 mini-graph（4-DoF，Eq.4）；Step2 纠偏传播位姿图（Eq.5，各向异性一元先验 Eq.6）；Step3 把纠正目标作为后续优化的一元各向异性先验存回。地图点随最近纠正观测者刚体移动、速度随关键帧旋转、IMU 预积分重估 | ### 1.2 关键机制 **⚡ Eureka Moment：不要让平面图当"全局对齐变换"，而要让它当"沿着墙法向的各向异性持久先验"——每次匹配后只在该法向上把轨迹钉住、沿墙面留自由滑动，并用"上一处平行墙匹配以来行驶的距离 ℓ"来控制这个匹配本身该不该被信任。** 两个推论一起构成核心： 1. **drift-aware 关联**（Eq.1–3）：漂移越大（ℓ 越长）→ 距离门控越宽（但有类相关上限 c），且距离项被饱和（Δd\~），让角度/重叠项在漂移大时接管决策； 2. **各向异性先验**（Eq.6）：Λ\_t = τI₃ + s Σ nnᵀ ——沿每个观测到的墙法向注入高信息 s，其余方向只有弱各向同性地板 τ。 ### 1.3 信息流 / 架构图 ``` 两台背靠背鱼眼(30Hz) ┐ IMU (1kHz) ┼─► ① 多相机 VI SLAM ──► 轨迹 + 稀疏地图 as-planned CAD 平面图┤ (ORB-SLAM3 扩展) │ 初始 plan 帧位姿 T_s ┘ ▼ ② 语义墙检测/平面图关联 (EoMT→RANSAC→drift-aware 匹配) │ 匹配对 (W_s, W_plan) ▼ ③ 多阶段集成（每次匹配触发一次） ┌───────────────────────────────────────┐ │ Step1 局部对齐 mini-graph (Eq.4) │ │ → 纠正关键帧目标 + 关联墙法向 │ │ Step2 4-DoF 位姿图传播 (Eq.5/6) │ │ → 各向异性先验写回 SLAM 状态 │ │ Step3 持久化：后续 local BA / │ │ essential-graph 复用为软/硬先验 │ └───────────────┬───────────────────────┘ ▼ plan 对齐的轨迹估计 + 地图（持续更新） ``` *** ## 2 · 数学核心 📌 **Napkin Formula**： ``` 匹配该不该信： Δd ≤ min( d0 + α_ℓ·ℓ , c ) 纠偏怎么钉： Λ_t = τ I₃ + s Σ_{n∈N_k} n nᵀ ← 沿墙法向硬、沿墙自由 ``` **目标**：把一次平面图匹配 (W\_s, W\_plan) 变成对未来所有优化都生效的、方向选择性的约束。 **(a) Drift-aware 距离门控（Eq.1）** * Δd：检测墙到候选 plan face 的垂直距离 * ℓ：自上一次被接受的"平行法向的外墙关联"（|nᵢᵀ nⱼ| ≥ 0.9）以来走过的长度；只有外墙匹配会重置 ℓ * d0=1 m，α\_ℓ=0.1，c\_ext=5 m / c\_int=2.5 m * 直觉：漂移随时间增长 → 允许的距离误差随 ℓ 线性放宽，但**封顶**。内墙封顶更紧（c\_int \< c\_ext），因为内隔墙彼此近平行、易配错"双胞胎"且检测距离更短。 **(b) 距离饱和（Eq.2）** * Δd\~ = (1−σ)Δd + σ·min(Δd, d\_sat)，σ 从 ℓ\_min=15 m 到 ℓ\_max=40 m 由 0 线性升到 1，d\_sat=1 m * 直觉：漂移小时用真实距离；漂移大时距离项被压平，**让角度和重叠来裁决**，避免大漂移下错误地用距离选错面。 **(c) 匹配评分（Eq.3）** * s = w\_a·Δθ + w\_d·Δd\~ + w\_f·(1−f)，取最小 s 者胜 * Δθ：W\_s 与 W\_plan 法向的**带符号** azimuth 差（反向法向被惩罚而非算作对齐）；f∈\[0,1]：检测范围被 face 包含的比；权重 (w\_a,w\_d,w\_f)=(6 rad⁻¹, 1 m⁻¹, 1) * 角度权重最大：方向错一点点，匹配就已不可靠（即使质心很近） * 拒绝级联：最低代价超类相关上限 / 未以 1.6× 优势击败次优 / 同类别竞争者距离相当 → 丢弃 **(d) 各向异性一元先验（Eq.6）** ``` ⎡ Λ_t 0 ⎤ Λ_t = τ I₃ + s Σ n nᵀ Λ_k = ⎢ ⎥ ∈ R^{6×6} ⎣ 0 λ_r I₃⎦ τ = 1/50 (传播) ，s = 10⁴ ``` * Λ\_t 的 s·nnᵀ：沿每个观测墙法向注入高信息 → 位姿在该方向被钉死 * τI₃：各向同性信息地板 → 允许沿墙面滑动、竖直方向自由 * 观测到多个非平行墙 → 自然被多个法向同时钉住 * λ\_r I₃：只约束 yaw（4-DoF 中 roll/pitch 由重力固定，yaw 是唯一被优化的旋转自由度） **Step 1 mini-graph 目标（Eq.4）**：min ‖π\_s ⊖ π\_plan‖²\_ΛB + Σ\_k‖e\_k^π‖²\_Λπ + Σ\_(i,j)‖e\_ij‖²\_Λij ——对齐边把检测墙推上固定 plan face，平面投影残差把观测关键帧绑到**当时存储的局部观测**（而非全局漂移位姿），相对 4-DoF 共视边保持局部轨迹形状。 *** ## 3 · 带数字走一遍（玩具设定） 设定：外墙匹配，d0=1, α\_ℓ=0.1, c\_ext=5, d\_sat=1, ℓ\_min=15, ℓ\_max=40；假定 Δθ=0.03 rad，f=0.8，权重 w\_a=6, w\_d=1, w\_f=1。 **情形 A：刚纠偏过（ℓ=5 m，小漂移）** * σ：ℓ=5 \< 15 → σ=0 → Δd\~ = Δd（真实距离） * 门控：min(1+0.1·5, 5) = min(1.5, 5) = **1.5 m**（很紧） * 若测得的 Δd = 0.4 m ≤ 1.5 → 通过 * 评分：s = 6·0.03 + 1·0.4 + 1·(1−0.8) = 0.18 + 0.4 + 0.2 = **0.78** **情形 B：走了很久没外墙匹配（ℓ=30 m，大漂移）** * σ：(30−15)/(40−15) = 0.6 * 门控：min(1+0.1·30, 5) = min(4, 5) = **4 m**（放宽但仍封顶） * 若测得 Δd = 3.5 m ≤ 4 → 通过 * 饱和：Δd\~ = 0.4·3.5 + 0.6·min(3.5,1) = 1.4 + 0.6 = **2.0 m** * 评分：s = 6·0.03 + 1·2.0 + 1·(1−0.8) = 0.18 + 2.0 + 0.2 = **2.38** **情形 C：ℓ=50 m（超过 ℓ\_max）** * σ=1 → Δd\~ = min(Δd, 1)，距离项彻底饱和到 1；此时只剩 Δθ 与 f 在候选间区分——不再让一个被漂移放大过的距离值主导决策。 **读法**：同一个物理误差，在"刚纠过"时被当作强证据、在"久未纠"时被主动降权——这就是"drift-aware"的全部含义。 *** ## 4 · 工程视角 | 维度 | 论文报告情况 | | - | - | | 硬件平台 | Intel Core i9-11950H CPU + NVIDIA T600 GPU (**4 GB**)，32 GB RAM（原文字面） | | 传感器 | 两台背靠背 \~200° 鱼眼相机 @ **30 Hz**；**1 kHz IMU**；相机间基线 **4 cm** | | 端到端延迟 / FPS / 吞吐 | **论文未报告** | | 内存占用 | 论文未报告（仅给平台 RAM 32 GB） | | 初始化到度量尺度时间 | 上/地面层 \~**2.5 s**；地下层降低配置需 **6.6–8.1 s**，完整配置 **2.4–2.5 s**（Table III） | | 优化复杂度 | 每个匹配触发一次多阶段优化；Step1 mini-graph 窗口封顶 **200 KF**；每匹配独立窗口 → 避免"单次联合优化随轨迹增长"的规模问题 | | 部署约束 | 依赖一个**粗的** plan 帧初始化位姿 T\_s（非真值）；依赖 EoMT 预训练分割器；建在 ORB-SLAM3 C++ 栈上 | 关键 trade-off：**精度 vs. 检测召回**。检测设计上"保守"——precision 96.9% 但 recall 仅 38.4%（§IV-B3）。因为每个被接受的墙都会变成持久先验，**错墙比漏墙危害更大**，所以宁可少收。工程上这意味着系统把"平面图信息利用率"换成了"约束安全性"。 另一处工程细节：Step2 后必须把优化位姿**写回 SLAM 状态**（地图点随最近纠正观测者刚体移动、速度随关键帧旋转、IMU 预积分在新状态重估）——否则下一次惯性 local BA 会因不一致的惯性残差把轨迹拉回纠偏前。 *** ## 5 · 数据与评测 **数据集**：Hilti–Trimble SLAM Challenge 2026 dataset \[4]——真实在用工地，手持 rig：两台背靠背 \~200° 鱼眼 @30 Hz + 1 kHz IMU，**无深度传感器**。工地处于施工中，as-built 可与平面图不一致。 **任务设置**： * **Localization**：在楼层平面图坐标系内、从初始位姿出发恢复轨迹；**24 个计分序列**，排除 Floor UG2（未发布平面图）。 * **SLAM**：在任意坐标系恢复，评分时做刚性对齐到参考。 * 两任务都**仅以轨迹精度计分**，因此**都不要求在线或实时运行**。 * 指标：对 LiDAR-inertial 参考轨迹的 **APE RMSE**——Localization 为平面图平面内 2D，SLAM 为刚性对齐后 3D。轨迹须覆盖至少 **99%** 的参考位姿才被计分。 **分组**：ground floors / upper floors / underground levels；地下层为大体量、少墙、以结构柱为主的空间。 **结果（Localization，平均 APE，cm）**：Map-It Ralph 136.69、CUFE 60.07、OmniRecon 41.94、Z-FLoc 23.75、**Ours (MVP-SLAM) 29.29**、Ours (w/o plan) 144.72。 **结果（SLAM，平均 APE，cm）**：ACDC-VSLAM 8.94、√VINS 10.90、Undisclosed 18.68、QQ 20.17、**Ours (MVP-SLAM) 24.23**、Ours (w/o plan) 73.21。 **论文给出的标题结论**：Localization **0.29 m 均值 RMSE，22 队中第 2**（Z-FLoc 夺冠 0.24 m）；SLAM **0.24 m，62 队中第 5**。相对 w/o plan：Localization 从 1.45 m→0.29 m（**降低 4.9×**），SLAM 从 0.73 m→0.24 m（**降低 3.0×**）。在"同时在线运行、集成平面图、并在其内定位"的系统中，两任务均为**排名第一**。 **消融（Table III，6 序列 × 3 repeats，两配置每次都成功初始化）**：完整配置在 UG1(06-18) 把 Localization 误差从 **28 m → 2.07 m**，覆盖率从 96.7%→100%（降低配置未通过 99% 覆盖阈值）。 **墙检测/匹配（Table IV，6 序列，手标参考）**：检测总体 P=**96.9%**、R=**38.4%**、F1=**55.0%**；匹配总体 P/R/F1 均 **98.9%**。论文强调：唯一错配出现在 Floor 6（两条近平行共线 plan face 落入门控内），唯一漏配是未获关联的检测墙——**先验的瓶颈在"能检测到多少墙"，不在关联步骤**。 *** ## 6 · 能力与失败模式 **能做**： * 相机-only（无 depth/LiDAR）在线纠偏，并把轨迹**定位进平面图坐标系**； * 地面/上/地下多类环境中保持平面图对齐（Table I 多数序列 best 或 second-best）； * 无环、单向穿行的 walkthrough 中通过惯性地图合并保住覆盖（对比标准 VI SLAM 会开新图并永久留在平面图坐标系之外）； * 高可靠匹配（98.9% P/R/F1）——一旦墙被检测到，关联几乎不出错。 **不能做 / 失败模式**： * **只在检测到墙并匹配成功的处纠偏**：开间大、以结构柱为主的地下空间（UG 层）少墙 → 少匹配 → 漂移不被约束。论文将此列为头号 Limitations。 * **墙检测召回低（38.4%）**：多数漏检墙"在图像中可见，但重建出的地图点太少或太噪，撑不起稳定的平面拟合"，尤其在杂乱或纹理稀缺区域。 * **内墙场景门控更紧**（c\_int=2.5 m \< c\_ext=5 m）→ 内墙主导环境可用匹配更少。 * **依赖一个粗初值 T\_s**：平面图相对 as-built 帧的摆放靠它；后向纠正可吸收其误差，但初值太差会直接影响关联阶段的候选距离。 * **依赖 IMU 传播**：跟踪丢失后的两图合并靠 dead-reckoning 预测对齐，IMU 传播质量差会波及合并正确性。 ### 隐含假设 (Hidden Assumptions) 1. **墙是竖直的平面** —— 检测器显式用重力滤波 + 垂直性去掉一个旋转自由度、用 azimuth+距离两参数拟合墙。倾斜墙/曲面墙/带斜角的立面不在模型内。 2. **地图是稀疏特征地图** —— 墙拟合依赖"足够多的重建地图点"，因此假设环境纹理/特征足以支撑稀疏重建；纯白墙、镜面/玻璃幕墙会破坏该假设。 3. **平面图与 as-built 只在"未建墙体/临时杂物"层面不同** —— 系统可忽略未建 planned wall 与暂态 clutter（§IV-A），但假设**已建结构的位置**与平面图一致到门控 c 的容差内；若 as-built 有墙体偏移超过 c，匹配级联会拒绝所有候选。 4. **外墙比内墙更可靠** —— ℓ 的重置与 essential-graph 约束都**只对外墙**生效；这假设外墙检测/匹配质量更高。若某环境外墙不可见（纯室内走廊），则 ℓ 永不重置、门控持续放宽，错误风险上升。 5. **本地窗口 BA 的位姿协方差不反映累积漂移** —— 论文明确指出 out-of-window 位姿被固定，故协方差只反映局部窗口。这是一个**被承认的方法性假设**，也正是他们改用"行驶距离 ℓ"作为漂移代理的原因。 6. **4-DoF（yaw + 平移）足够建模平面图约束** —— 假设 roll/pitch 由重力固定、墙约束竖直，因此地面几何可视为二维。 *** ## 7 · 与相关工作对比 | 方法 | 传感器 | 平面图使用时机 | 是否在线纠偏 | 是否在平面图内定位 | | - | - | - | - | - | | ORB-SLAM3 类 VI SLAM（ACDC-VSLAM / √VINS 等） | 相机 + IMU | 不用平面图 | 否 | 否（任意帧） | | Map-It Ralph | 相机 + IMU | 不用平面图几何（仅锚定位姿到 plan 帧） | — | 是（靠给定锚位姿） | | Z-FLoc | 相机（鸟瞰重建） | **离线**单全局变换 | 否 | 是 | | OmniRecon | 相机（离线 SfM 点云） | **离线** 2D ICP | 否 | 是 | | CUFE | 相机 | **离线**轨迹精修 | 否 | 是 | | LiDAR-锚定 BIM / scene-graph 匹配 | LiDAR/range | 在线（进后端） | 是 | 部分 | | ivS-Graphs | **RGB-D** | 在线（进后端） | 是 | 部分 | | \[18] 稀疏点注册数字孪生 | 相机 | 在线 | 是 | 是（但需密集 as-built 网格，需单独采集维护） | | **MVP-SLAM（本文）** | **相机 + IMU（无 depth）** | **在线、逐匹配融入** | **是** | **是** | 核心区分点：\*\*唯一一个"在线 + 相机-only + 集成平面图 + 在其内定位"\*\*的系统。 **🎤 面试 Tip**：被问到"这篇和 Z-FLoc/OmniRecon 有什么本质差别"，别只说"它在线"。答这个链条：**(1) 时机**——离线方法把平面图当成"轨迹建完后的一次变换/ICP"，因此平面图无法约束 SLAM 图本身；**(2) 传感器**——此前唯一在线做这事的都吃 depth/LiDAR，工地手持 rig 没有；**(3) 机制**——它把每个匹配变成**沿墙法向的各向异性持久先验**（Λ\_t = τI + s Σnnᵀ），并用"自上次平行外墙匹配以来走的距离 ℓ"决定这次匹配该多信任（门控放宽但封顶、距离饱和让角度接管）。然后补一句诚实的局限：**只在检测到墙处纠偏，墙召回仅 38.4%**，所以地下柱状空间漂移不受控——它赢在"用对了一个廉价在线先验"，而不是赢在轨迹形状本身（SLAM 任务第 5，输给 ACDC-VSLAM 的 0.09 m loop-closure 机制）。 *** ## 8 · GitHub-validated pitfalls (atlas 联动, 2026-10-02) **官方 repo 未在论文中给出**——全文唯一出现的 URL 是挑战赛榜单 `https://hilti-trimble-challenge.com/leaderboard-2026`（非代码仓库），无 `github.com` 链接、无 commit hash、无 issue 编号。因此以下 pitfall **由 §6 失败模式 + §III 方法约束推导，未经社区 issue 验证**。 1. **墙召回 38.4% 直接决定纠偏覆盖率（源于 §6 头号失败模式 × EoMT+RANSAC 约束）** §6 明说"多数漏检墙在图中可见，但重建地图点太少/太噪，撑不起稳定平面拟合"。约束来自 §III-C：标签来自**零微调的 EoMT（COCO wall 类）**，且平面仅在 RANSAC inliers 构成**单一连续墙段**时才被接受。推论：在弱纹理工地，COCO wall 像素本身可能标不全，而稀疏地图点更会先于语义崩掉——**换场景时最该监控的是"墙检测召回"，而非匹配精度（后者 98.9% 几乎不会是你掉分的地方）**。不要期望调匹配阈值能补救，瓶颈在检测端点云密度。 2. **内墙主导环境门控被 c\_int=2.5 m 卡死（源于 §6 内墙失败模式 × Eq.1 类相关封顶约束）** §6 指出内墙场景门控更紧。约束是 Eq.1 的 c 为**类相关值**，内墙 c\_int=2.5 m 且论文给出的理由（内隔墙彼此近平行易配错双胞胎）在方法上是**写死的安全设计，而非可调超参**。推导：在以隔间为主、外墙不可见的纯室内走廊里，既没有外墙匹配来重置 ℓ，又受 c\_int 上限约束——**先用外墙做一次"锚定匹配"再进入内区**是工程上必须的路径，否则系统会长期处于"门控放宽但上限很紧"的两难状态。 3. **4 cm 基线的跨相机播种 + gyro 回退在特定运动下退化（源于 §6 IMU 依赖 × §III-B 初始化约束）** §6 承认依赖 IMU 传播。约束来自 §III-B：跨相机播种仅用**共享边缘带内**的少量匹配取**中值深度**定尺度，论文自述"4 cm 基线无法给出准确深度，靠首次惯性 BA 恢复"；回退路径靠 gyro 预积分的 **2-point RANSAC**。推导：从静止起步或原地转动（论文明确说这会让单目惯性积累不够视差）时，若同时共享边缘带匹配太少而 gyro 又有零偏——**两条初始化路径同时变弱**，Table III 中地下层降低配置 6.6–8.1 s 才到尺度、并掉出 99% 覆盖阈值正是这一耦合的外显。部署时应在开工前先做一段带平移的预热运动，而非静止起步。 *** [← Back to VSLAM README](./README.md) > **Status**：v0.1 · 基于 arXiv 全文 · 未在真机复现的数字标 `UNVERIFIED`（本笔记未自行标注任何未报告数字；§4 延迟/FPS/吞吐均按论文如实记为「论文未报告」） [//]: # "" This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.