低光環境下的 SLAM 測試報告
為何重要
此研究戳破了「只要 RGB 相機就夠用」的迷思，證實在低光、高難度的真實場景中，僅靠個體感知的機器人極易斷訊或跌入誤差陷阱。對開發者而言，這助於在設計機器人時做出務實的選擇：為了可靠性，必須在輔助感測器、運算成本與團隊能維護的演算法深度之間做出取捨。這也是推動具熱成像或雙目深度解決方案的關鍵技術驗證。
SLAM 是機器人執行自主運作的關鍵，但在低光環境下，對比度降低與感測噪聲會嚴重幹擾效能。本研究透過 LaMARia 五組不同難度與光線的序列，量化評測六個系統，揭示現有純視覺方案的極限
- - 測試涵蓋 ORB-SLAM3、DSO、Kimera-VIO、OpenVINS、DPVO 與 DPV-SLAM 等六個系統，涵蓋特徵式、直接法、濾波法與學習法四種架構。
- - Kimera-VIO 是唯一能追蹤完所有五段序列的系統，相對位姿誤差最低，但因缺乏迴圈關閉導致絕對誤差持續擴大。
- - DPVO 與 DPV-SLAM 雖維持追蹤不中斷，但在低光條件下絕對誤差約達 100 公尺。
- - 傳統單目管道（如 ORB-SLAM3、DSO）與濾波法 OpenVINS 在多數困難的低光序列中直接崩潰或發散。