本文提出一種新型主動照明框架，通過動態控制可移動光源主動照亮高紋理區域，顯著提升VO與VSLAM算法在極端光照條件下的性能。在真實機器人平臺上進行的實驗表明，相比傳統固定照明方法，本文方法可將姿態估計誤差最高降低75%。

? 文章：

Active Illumination for Visual Ego-Motion Estimation in the Dark

? 作者：

Francesco Crocetti, Alberto Dionigi, Raffaele Brilli, Gabriele Costante, Paolo Valigi

? 論文鏈接：

https://arxiv.org/abs/2502.13708

? 編譯：

INDEMIND

01 本文核心內容

基于視覺的位姿估計是實現移動機器人定位最廣泛采用的策略之一。過去幾十年間，多種高效的VO（視覺里程計）和VSLAM方法不斷涌現，而近期視覺-慣性融合技術的出現更是展現了卓越性能。

VO和VSLAM解決方案的有效性依賴于提魯棒且高區分性視覺特征的能力。這些特征可以是稀疏的、密集的，甚至是基于學習的。大多數前沿研究假設視覺估計系統的運行條件接近理想狀態，即場景紋理豐富且光照條件適宜。然而，即使特征提取與跟蹤模塊的性能輕微下降，也可能導致整個估計流程的失敗。盡管如此，許多應用（如災害救援或地下勘探）要求機器人平臺在遠非理想的環境中運行。尤其是低光照或完全黑暗的環境，對基于視覺的系統而言是最具挑戰性的場景，因為此類環境幾乎完全無法提取有效的視覺線索。

一種直接的解決方案是為機器人配備強力廣角光源以照亮相機捕獲的整個場景。然而，這種方法存在兩個顯著缺陷：(i)能效低下，電池能量被浪費在照亮無紋理區域（如平坦表面）；(ii)在大規模環境中，由于光線過度散射，光源功率可能不足以充分照亮整個場景。反之，采用固定式窄光束光源雖然能效更高，并可有效照亮場景的遠距離部分以提升可見性，但由于大部分區域仍處于未照明狀態，特征跟蹤極易丟失。

受上述挑戰的啟發，本文提出了一種創新方法以推動技術前沿。如圖1所示，我們為機器人配備搭載在機械臂上的窄光束光源，并開發了一種新方法用于識別場景中預期包含最顯著特征信息的區域。這使得我們能夠定義控制機械臂的設定點，動態調整光束方向。相機圖像以預定義頻率持續采樣，并通過基于深度學習的增強網絡進行處理，生成增強圖像流。隨后，系統分析這些圖像以確定目標區域，進而驅動搭載LED聚光末端執行器的機械臂調整光束聚焦位置。

據我們所知，這是首個通過機械臂實現主動光束自適應調整以支持基于視覺的位姿估計的方法。

02 主要貢獻

動態特征區域識別：設計低光環境下圖像高特征密度區域動態檢測方法；

主動光源控制：提出信息驅動策略控制可移動光源聚焦環境紋理豐富區域；

實驗驗證：構建搭載可控光源的機器人平臺，通過真實場景實驗證明本方法顯著優于現有技術。

03 方法架構

在本研究中，我們考慮完全黑暗環境下的場景，以及配備帶有定向機械臂安裝光源的移動機器人。所提出的主動照明方法的目標是為機器人平臺提供合適的光束方向控制策略，以通過VO或VSLAM算法獲得最佳的機器人位姿估計。

為此，我們設計了一種新型的低光條件下視覺定位框架。該框架利用圖像增強生成對抗網絡（GAN）來識別高特征密度區域，并結合一種新型主動照明策略和機械臂控制器對這些區域進行照明。

圖2所示的開發框架圍繞一個核心要素——雙軸移動光源展開。該組件賦予機器人動態調節環境光照的能力。該主動照明系統是一款閉環控制裝置，能夠在暗環境中實現光束的動態調控。在VSLAM算法持續追蹤特征點與描述符以進行位姿估計的同時，圖像流輸入至低幀率重采樣器，該設備輸出保持原始分辨率但幀率降低的圖像。該重采樣器作為并行于位姿估計流程的復合處理管道的入口，其處理鏈路由兩大核心模塊構成："增強網絡模塊(ENB)"與"特征聚焦模塊(FFB)"，專門負責生成雙軸光束設備的控制參考信號。

04 結果

實驗活動的結果總結于表I。第一個重要發現是，在幾乎所有場景和定義的指標下，主動光源方法AL-VO均優于固定光源方法FL-VO。具體而言，在走廊環境等挑戰性場景中，FL-VO持續失敗且無法完成軌跡。如圖4所示，這是由于FL-VO在導航過程中意外照射平坦表面，導致VO算法因紋理信息不足而失效。相反，得益于主動光源策略，AL-VO能夠將光束重新定向至富含角點、邊緣和物體的區域，從而完整跟蹤所有軌跡。

作為參考，我們還納入了VO算法在最佳光照條件（LO-VO）和低光條件下結合EnlightenGAN增強（EG-VO）的性能指標。與預期一致，LO-VO和EG-VO取得了最佳整體表現。值得注意的是，EG-VO在黑暗條件下表現出色，結果與LO-VO（日光條件）非常接近。但需指出，盡管EnlightenGAN提供了卓越的圖像增強能力，其較高的計算復雜度限制了EG-VO在資源受限機器人平臺上的部署。因此，在此類場景中，AL-VO是低光VO的更優選擇。

最后，如圖5的定性結果所示，所有方法在房間R場景中均能生成合理軌跡。然而，FL-VO在某一彎道區域顯著偏離真實軌跡（GT），而AL-VO能夠保持與GT軌跡的高度對齊，且得分接近LO-VO和EG-VO。

05 總結

在本研究中，我們提出了一種新型主動照明框架，旨在使VO和VSLAM算法能夠在黑暗環境中正常運行。具體而言，我們開發了一種創新性的主動式方法，通過識別并優先照亮圖像中特征點最密集的區域。大量真實環境實驗驗證了該方法的有效性，并凸顯了其實際應用潛力。未來的工作將通過在目標選擇指標中引入額外參數，將機器人未來運動軌跡納入考量，從而進一步提升系統性能。