1 引言

　　同步定位與地圖構建(SLAM)技術在移動機器人、自動駕駛等領域應用廣泛，但現有視覺 SLAM 方案(如 VINS-Mono、ORB-SLAM3 等)在光照充足環境表現良好，不適用于低照度場景。

　　低照度場景下的研究主要集中在圖像增強，方法包括基于直方圖均衡化、Retinex 理論和深度學習的增強方法。其中，直方圖均衡化方法簡單但易導致細節消失;Retinex 理論方法能保留細節但計算復雜;深度學習方法適應性好，如基于深度注意力機制的圖像增強方法、Zero-DCE 網絡等。

　　目前低照度場景下定位技術研究較少，雖有基于深度神經網絡的視覺測距、生成對抗網絡改善圖像質量等方法，但缺乏完整定位技術方案支撐視覺導航。

　　本文提出低照度場景下的視覺定位技術，包括：結合 U-Net 網絡與注意力機制的圖像去噪網絡、基于四叉樹改進的 ORB 特征均勻提取策略、基于光束平差法的位姿估計與優化。

　　2 總體方案

　　定位系統分為三部分：

　　圖像去噪處理：采用微光傳感器采集圖像，在視覺跟蹤前加入基于深度學習的去噪模塊提升圖像質量，為后續處理奠定基礎。

　　特征跟蹤：基于四叉樹思想劃分圖像網格，改進特征分布策略，避免特征集中分布，利用對極幾何、三角測量估計幀間位姿，選取關鍵幀建立幀間關系。

　　位姿估計與優化：利用光束平差法構建視覺重投影誤差方程，求解最小二乘問題完成局部位姿估計和優化;基于詞袋模型進行閉環檢測，估計全局位姿圖。

　　3 基于深度學習的視覺前端去噪處理

　　3.1 低照度圖像去噪網絡

　　微光傳感器成像過程中會產生固定噪聲(如散粒噪聲、暗電流噪聲)和時變噪聲(如讀出噪聲)，其中散粒噪聲和暗電流噪聲服從泊松分布，讀出噪聲服從高斯分布。

　　在 Neighbor2Neighbor 去噪網絡基礎上加入注意力機制，由通道注意力模塊與空間注意力模塊組合學習圖像特征。通道注意力模塊通過卷積層和 “壓縮 - 激勵” 操作，學習不同尺度的通道特征并分配注意力權重;空間注意力模塊利用非局部自注意力網絡，探索像素間全局依賴，提升降噪性能，同時采用殘差連接避免網絡退化。

　　3.2 圖像去噪實驗與分析

　　實驗基于 SIDDM 和 LLID 數據集展開，LLID 是利用微光傳感器采集的私有數據集，包含 100 對低照度圖像及 2000 張噪聲圖像，分辨率為 1280×1024。

　　采用 Python 和 PyTorch 框架，在 3 塊 Nvidia 3090 GPU 上訓練測試，使用 Adam 優化器。預訓練和微調階段設置不同的 epoch、學習率等參數。

　　實驗結果表明，改進后的去噪網絡 PSNR 和 SSIM 指標顯著提升，引入通道注意力和空間注意力模塊均能提高模型性能。

　　4 低照度場景下的視覺跟蹤與位姿估計

　　4.1 特征跟蹤技術

　　采用 ORB 特征跟蹤，提取 FAST 角點和 BRIEF 描述子，通過漢明距離匹配。針對低照度下特征提取不均勻問題，基于四叉樹網格分配思想改進特征提取和分布策略。利用四叉樹篩選特征，剔除冗余，當網格特征點數>1 時四等分區域提取，點數為 1 或達到期望特征數時停止分裂，保留 Harris 響應值最大的特征點，并對不同金字塔層設置不同深度以提高效率。計算特征點的方向與描述子。

　　4.2 位姿估計與優化

　　視覺定位系統以第一幀為參考幀，相機光心為原點，z 軸指向前方，x 軸向右，y 軸向下。搭載 IMU 獲取尺度信息，視覺初始化時計算相鄰幀平移向量，IMU 通過加速度二次積分求得實際尺度信息，計算尺度因子并歸一化坐標點，尺度因子穩定后 IMU 不再參與后續位姿估計。

　　5 低照度場景下的定位實驗

　　5.1 實驗準備

　　選取 PHOTONIS 的 NOCTURN U3 超低照度 CMOS 成像器件、XSENS MTI-G-710 慣性測量元件等設備，實驗軌跡真值由高精度實時差分定位系統測得，環境光照強度由 KLL-04 型弱光照度計測得，選取兩個室外 0.01 lx 光照強度的低照度場景進行實驗。

　　5.2 小車實驗

　　場景為北京理工大學中關村校區停車場，以高精度衛導數據為真值參考。實驗結果表明，本文方法定位精度高于 ORB-SLAM3，軌跡閉環時平均定位均方根誤差<1.47 m。

　　5.3 手持實驗

　　場景為北京市海淀區蘇家坨稻香湖路稻香湖公園，ORB-SLAM3 難以完成定位任務，本文方法在軌跡無閉環時平均定位均方根誤差<4.26 m。

　　實驗表明，本文方法能在 0.01 lx 光照環境下實現視覺定位。

　　6 結論

　　本文提出低照度場景下單目視覺定位技術，主要工作包括：提出集成通道注意力機制的圖像去噪網絡，提升低照度圖像質量。采用基于改進四叉樹的特征均勻分布策略，提高特征提取效率和跟蹤效果。構建基于最小二乘的非線性優化估計器，利用詞袋模型完成定位任務。實驗驗證方法可行，定位精度優于 ORB-SLAM3，閉環和無閉環時均方根誤差分別<1.47 m 和<4.26 m。后續將研究視覺慣性緊耦合技術，提升定位系統精度。

李磊磊;鐘 傲;郝家鎂;陳家斌;韓勇強,北京理工大學自動化學院,202409