近日，基础学部数学学院李忘言副教授团队在视觉惯性里程计与同步定位与建图领域取得新进展，相关研究成果以“APL-VIO: Real-Time Visual-Inertial Odometry Using Adaptive Point-Line Features”为题在国际期刊《IEEE Transactions on Instrumentation and Measurement》 （影响因子：6.998 ；中科院SCI分区：2区）在线发表（DOI: 10.1109/TIM.2026.3714602）。上海理工大学基础学部数学学院为该论文的第一单位，合作者包括上海理工大学硕士毕业生吴励锋、硕士研究生萧学文，上海电机学院肖薇博士以及澳大利亚新南威尔士大学Jie Bao教授。
本研究聚焦于复杂环境下视觉惯性里程计（VIO）的实时高精度状态估计问题。现有VIO方法大多仅依赖图像中的点特征进行状态估计，在点特征稀缺或可靠性较低的场合，如弱纹理或快速运动场景，大多数的VIO往往难以适用。相比之下，线特征蕴含更丰富的几何结构信息，但其提取与处理也更具挑战性。因此，如何充分挖掘图像中的结构信息，并有效实现点、线特征的融合，以提升系统在弱纹理、光照变化及快速运动等条件下的鲁棒性与精度，成为本系统设计中的核心关键问题。
针对上述挑战，本研究提出了一种基于自适应点线特征的实时VIO系统——APL-VIO。该方法在VINS-Mono/Fusion框架上，团队设计了自适应线光流跟踪器（ALOFT），通过自适应地进行线特征关键点选取、线特征灰度阈值调整等来灵活追踪不同长度的线特征，进而提高线特征追踪算法的效率、精度和鲁棒性。此外，团队还提出了线约束重建机制，将新检测线段与已有空间线段进行有效关联，从而减少地图冗余、延长线特征使用周期。最后，团队在EuRoC公开数据集及上海理工大学卓越楼八层走廊的真实场景中将算法进行了有效验证。
图：室内走廊场景下实验室阿克曼平台与 APL-VIO 实验验证: (a) 实验室阿克曼四轮车硬件平台示意图; (b) 相机提取的点特征与线特征; (c) APL-VIO 构建的环境地图。
论文链接：https://doi.org/10.1109/TIM.2026.3714602
源码链接：https://github.com/USST-LiLAB/APL-VIO
