SLAM in Low-Light Environments: Project Report

Simultaneous localization and mapping (SLAM) is one of the fundamental problems in robotics, as it enables autonomous operations in real-world scenarios. Under low illumination, reduced contrast, sensor noise, and motion blur degrade both feature extraction and feature matching, while compensating with LiDAR, depth, or thermal sensors raises cost, power draw, and integration complexity. Existing benchmarks remain dominated by well-lit indoor or daylight sequences, leaving open how far SLAM with standard RGB cameras can be pushed in the dark. We benchmark six systems spanning the feature-based, direct, filter-based, and learning-based paradigms - ORB-SLAM3, DSO, Kimera-VIO, OpenVINS, DPVO, and DPV-SLAM - on five LaMARia sequences of varying difficulty and illumination, reporting absolute and relative pose error alongside control-point recall. Kimera-VIO is the only system to track all five sequences to completion, combining the lowest relative pose error with steadily growing absolute error due to the absence of loop closure; DPVO and DPV-SLAM never lose tracking but incur absolute errors of roughly 100 m under low light; and the classical monocular pipelines (ORB-SLAM3, DSO) together with the filter-based OpenVINS fail outright or diverge on most of the harder and low-light sequences. The results suggest that RGB-only SLAM maintains stable low-light tracking only when both inertial fusion and global optimization are present. Closing the remaining gap will likely require low-light-specific learned front-ends or a return to complementary sensing.

한 줄 요약

저조도 환경에서 RGB 카메라 기반 SLAM의 한계와 성능을 LaMARia 데이터셋을 통해 6개 시스템으로 평가한 연구.

핵심 기여도

LaMARia 데이터셋의 5개 시퀀스에서 ORB-SLAM3, DSO, Kimera-VIO, OpenVINS, DPVO, DPV-SLAM의 성능을 ATE, RPE, CP@1m, R@5m로 평가.
Kimera-VIO는 모든 시퀀스에서 추적 성공했으며, RPE는 최저였으나 ATE는 점진적으로 누적됨.
DPVO와 DPV-SLAM은 추적 실패 없이 100m 이상의 ATE 발생.
OpenVINS는 R_09_hard와 sequence_4_10에서 초기 추적 자체가 실패하며, 필터 발산 현상 발생.

핵심 아이디어

저조도 환경에서는 RGB 카메라 기반 SLAM이 특징 추출 및 매칭의 정확도를 저하시키며, 이는 ATE와 RPE 성능에 직접적인 영향을 미친다.
기존 연구는 주로 잘 조명된 환경에 집중했으나, 본 연구는 LaMARia 데이터셋을 활용해 실제 저조도 상황에서의 SLAM 성능을 평가했다.
DPVO와 DPV-SLAM은 학습 기반 패치 추적을 사용해 전통적 특징 기반 방법(ORB-SLAM3, DSO)보다 추적 안정성은 높으나, 전역 최적화가 없어 ATE 누적이 심각한 것으로 나타남.
이를 극복하려면 저조도 전용 학습된 프론트엔드 또는 보완 센서(예: LiDAR)가 필요하다는 결론 도출.

기술적 접근법

평가 대상: ORB-SLAM3 (특징 기반), DSO (직접 방법), Kimera-VIO (최적화 기반), OpenVINS (필터 기반), DPVO (학습 기반), DPV-SLAM (학습 기반 + 루프 클로저).
평가 지표: ATE (전역 정확도), RPE (지역 정확도), CP@1m (제어점 회수율), R@5m (회복률).
데이터셋: LaMARia의 5개 시퀀스 (R_03_easy, R_06_medium, R_09_hard, sequence_4_10, sequence_4_11).
Kimera-VIO는 전역 최적화 없이 추적 성공했으나, ATE 누적이 발생. DPV-SLAM은 DPVO에 루프 클로저 추가하여 전역 오류 보정 가능.

주요 결과

Kimera-VIO는 5개 시퀀스에서 추적 성공, RPE는 최저 (0.03m), ATE는 100m 이상 누적.
DPVO와 DPV-SLAM은 추적 실패 없이 ATE 약 100m 발생.
OpenVINS는 R_09_hard와 sequence_4_10에서 초기 추적 자체 실패.
ORB-SLAM3와 DSO는 저조도와 블러로 인해 대부분의 시퀀스에서 실패.
DPV-SLAM은 DPVO 대비 R@5m에서 100% 회복률 달성.

의의 및 한계

RGB 카메라 기반 SLAM이 저조도 환경에서 안정적으로 작동하려면 관성 센서와 전역 최적화가 필수적이라는 점을 실증.
학습 기반 프론트엔드(예: DPVO)는 추적 안정성은 높으나, 오류 누적 문제 해결이 필요.
본 연구는 기존 데이터셋이 잘 조명된 환경에 편향되어 있다는 한계를 드러냄.
보완 센서 없이도 저조도에서 작동하는 SLAM 시스템 개발이 필요.

실용적 활용

저조도 환경에서 작동하는 자율 주행 차량, 드론, 탐사 로봇 등에 적용 가능.
특히, 센서 비용과 전력 소모를 줄이려는 IoT 및 모바일 장치에 유용.
학습 기반 프론트엔드와 전역 최적화를 결합한 SLAM 구조가 실용적 성능 향상에 기여할 수 있음.