DAVIO: Dense Monocular-Inertial SLAM with Feed-Forward Initialization and Pose-Conditioned Mapping
Jaafar Mahmoud, Arthur Movsesyan, Mikhail Iumanov, Sergey Kolyubin
cs.RO, cs.CV
2026-09-23
DAVIO用DA3五帧加IMU起步，按VIO位姿稠密建图；EuRoC ATE降29%到45%，ORI误差0.080米。
单目相机加IMU是能给出米制尺度和重力的最小传感器组合。经典视觉惯性滤波器要等视差攒够才能起步，起步之后手里也只有稀疏路标，下游导航用不上。另一头，Depth Anything 3、VGGT这类前馈几何模型几张图就能吐稠密深度，但没有米制尺度，也没有重力。
两边刚好互补。真正难的是接到一条能实时跑的链路上：初始化不能把错尺度交给滤波器，建图也不能把VIO已经估准的基线再乘一遍相似变换。
DAVIO把同一套DA3用在两个阶段，作者来自ITMO大学BE2R实验室。
起步用五张间隔0.2秒的图，加上预积分IMU。DA3给出每帧深度、置信度和相对位姿；系统在4×4网格上每帧最多抽100个高置信点，列一个关于尺度、初速度和重力的七维线性方程。每个图像对这个七维向量最多贡献三个独立方程，五帧窗口只多一帧冗余。匀速运动会把尺度变化吸收进速度和重力，属于退化情形，列均衡奇异值比低于0.001、基线深度比低于0.02的窗口直接拒掉。
外点用分层LMedS搜100组假设：每个非参考帧抽两点，残差除以尺度再取中位数，避免偏向小尺度。接受条件包括内点比例至少0.4、中位残差不超过0.05、速度不超过5米/秒、重力方向偏离比力均值不超过30度。过关后再非线性精修，写进一个全新的OpenVINS实例。初始化期间到的数据先排队，再快于实时回放，滤波器追上直播流才对外发布，最多试五个候选。OpenVINS自带初始化器一直挂着，谁先就绪用谁。
跟踪阶段反过来。滤波器的米制位姿和内参喂给DA3，每0.5秒一个五帧窗口，相邻窗口共享两张图。尺度修正只作用在反投影的深度上，窗口内相机基线保持滤波器给的米制值。XFeat/LighterGlue在窗口内匹配，把各帧相对尺度调到几何平均为1。子图之间用共享图像的中位对数深度比做相对尺度约束。回访要过PnP RANSAC（至少50对匹配、30个内点、内点比例0.25）、深度一致性和3σ里程计新息检验；点约束只有在预测漂移超过回访不确定度时才允许动位姿。每个节点只优化平移、绕重力的偏航和对数深度尺度，滚转和俯仰锁死在滤波器观测上。滤波器状态本身从头到尾不被改写。
EuRoC 132个十秒窗口上，DAVIO首次发布状态的中位时间是2.43秒，OpenVINS是3.65秒。质量惩罚时间从3.87秒降到2.66秒。机房序列上该时间从4.68秒砍到2.30秒；Vicon房间反而更慢，4.50秒对3.15秒。成功率109/132对111/132，几乎打平。
机房五条序列的最终ATE相对原生OpenVINS降29%到45%：
| 序列 | OpenVINS原生 | DAVIO最终 |
| MH01 | 0.099米 | 0.065米 |
| MH03 | 0.158米 | 0.101米 |
| MH05 | 0.281米 | 0.200米 |
在线轨迹不一定更好：MH01从0.099米升到0.119米，图优化修正是事后才全部兑现的。端到端对比里DAVIO覆盖97%到99%的序列，ORB-SLAM3只评上74%到82%的帧；ORB-SLAM3在MH01上ATE是0.058米，仍低于DAVIO的0.065米。相对MASt3R-Fusion和做了全局Sim(3)对齐的VGGT-SLAM2，DAVIO最终轨迹ATE低2.6到5.3倍。
相同OpenVINS位姿和DA3-Base下，EuRoC Vicon房间中位F@10从ScaRF离线建图器的0.45升到0.58，中位误差从0.227米降到0.172米。ORI上，位姿条件化把全局误差从0.219米降到0.080米，F@10从0.38升到0.75。在线DAVIO略优于同轨迹上的离线ScaRF，0.080米对0.084米。换成真值位姿，ScaRF更准，0.040米对0.069米；从真值换到OpenVINS，ScaRF误差涨110%，DAVIO只涨26%。消融里，去掉位姿条件化，表面质量几乎退回无条件化基线；子图图优化主要修轨迹，回访贡献了MH03上从0.158米到0.101米的全部修正。
这是一条能落地的前馈几何加经典VIO路径：滤波器状态不动，GPU工人单独出图。起步不靠特征跟踪，稠密图在开机后几秒就能用。对已经在跑OpenVINS的机器人，映射层可以挂上去。ORI上对里程计漂移更耐，是因为子图图只在漂移大过约束不确定度时才动位姿。
它没有把SLAM端到端换成大模型。ORB-SLAM3在部分序列上轨迹更准，DAVIO赢在覆盖率和稠密图，以及估计位姿下的建图容差。
作者没单列局限，数字里能读出几处。Vicon房间起步比OpenVINS慢，整体成功率还少了两个窗口。在线轨迹在部分序列比原生更差，实时导航吃到的是causal不是final。真值位姿下ScaRF离线建图更准，DAVIO的优势主要在估计轨迹上的容差，不是深度本身。回访在V103和V202上会把F@10拉低一点，漂移门关得不够严时会塞进不准的尺度约束。深度质量仍是主要误差源：换成DA3-Large，ORI在线全局误差从0.080米降到0.061米。匀速窗口会被拒掉，完全静止或近似匀速开机仍得靠OpenVINS兜底。实验在RTX 3060 Laptop、DA3-Base 504像素上跑通，论文没给出完整系统帧率。