本文档属于类型a，即单篇原创研究的学术报告。以下是基于文档内容的详细报告：
本文的主要作者包括Xiongfeng Peng、Zhihua Liu、Qiang Wang、Yun-Tae Kim、Myungjae Jeon和Hong-Seok Lee。他们分别来自Samsung Research Center的SAIT-China Lab和Samsung Advanced Institute of Technology的Multimedia Processing Lab。该研究发表于2021年9月27日至10月1日的IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)会议。
该研究的主要科学领域是计算机视觉中的视觉-惯性同时定位与建图（Visual-Inertial SLAM，简称VI-SLAM）。VI-SLAM通过融合相机和惯性传感器的数据，为增强现实（AR）、机器人导航和自动驾驶等应用提供精确的3D定位。然而，现有的VI-SLAM方法在长时间跨度的2D-2D和3D-2D特征匹配上关注较少，容易导致持续估计漂移。为了解决这一问题，本文提出了一种基于特征重识别（Feature Re-Identification，简称ReID）的漂移抑制VI-SLAM方法。
本文的研究流程主要包括以下几个步骤：
特征重识别模块设计：
首先，研究团队构建了一个时空敏感（Spatial-Temporal Sensitive，简称STS）子全局地图。该地图从早期关键帧中提取满足多视图几何约束的3D地图点，用于高效地重识别特征。通过引入姿态引导特征匹配方法，研究团队能够在长时间跨度内重新识别现有特征，并将这些特征作为增强的视觉测量值，用于锚定当前帧并逐步减少累积误差。
姿态引导特征匹配：
该方法利用IMU辅助的相机姿态预测，快速识别现有特征。通过几何一致性验证和图像块变形技术，研究团队能够在大视角和尺度变化的情况下实现高效的特征匹配。具体流程包括：IMU辅助的姿态预测、STS子全局地图点的投影、几何一致性验证、图像块变形和ORB描述符计算。
视觉约束增强：
重识别特征被纳入局部和全局束调整（Bundle Adjustment，简称BA）优化模块中，用于精确的姿态估计。局部BA优化滑动窗口中的最新帧，而全局BA优化所有关键帧和地图点，以保持全局一致性。
实验验证：
研究团队在两个公开的SLAM基准数据集（Euroc和TUM-VI）上进行了广泛的实验。实验结果表明，该方法在减少绝对轨迹误差（Absolute Trajectory Error，简称ATE）方面表现出色。与现有方法相比，本文方法在Euroc和TUM-VI数据集上分别实现了67.3%和87.5%的ATE降低，且仅增加了少量的计算成本。
特征重识别效果：
在Euroc和TUM-VI数据集上，特征重识别方法的平均匹配率分别为15.7%和36.4%，显著高于传统的闭环检测方法。这表明特征重识别方法能够更有效地减少相机漂移。
时间跨度和跟踪长度：
与基线方法相比，本文方法的平均时间跨度（ATS）和平均跟踪长度（ATL）均有显著提升。在Euroc数据集上，ATS增加了106%，ATL增加了3.5%；在TUM-VI数据集上，ATS增加了401%，ATL增加了16.6%。
定位精度：
本文方法在Euroc和TUM-VI数据集上的ATE分别为3.2cm和1.1cm，显著优于其他现有方法。特别是在TUM-VI数据集上，本文方法的性能与ORB-SLAM3相当，且无需依赖闭环检测模块。
本文提出的基于特征重识别的VI-SLAM方法，通过构建时空敏感子全局地图和姿态引导特征匹配，显著提高了长时间跨度内的特征匹配效率和定位精度。实验结果表明，该方法能够有效减少相机漂移，并在公开数据集上表现出色。此外，该方法可以无缝集成到现有的视觉SLAM系统中，具有广泛的应用前景。
创新性方法：
本文首次提出了基于特征重识别的漂移抑制VI-SLAM方法，通过时空敏感子全局地图和姿态引导特征匹配，实现了长时间跨度内的高效特征匹配。
显著效果：
实验结果表明，本文方法在减少绝对轨迹误差方面表现优异，且在计算成本增加有限的情况下实现了显著的精度提升。
广泛应用性：
该方法可以轻松集成到现有的视觉SLAM系统中，为增强现实、机器人导航和自动驾驶等应用提供了更精确的定位解决方案。
本文还详细介绍了特征重识别模块的验证方法，包括几何一致性验证和重投影误差计算。这些验证方法确保了重识别特征的可靠性，并为后续的优化提供了坚实的基础。此外，本文还对比了不同参数设置对特征重识别效果的影响，为后续研究提供了有价值的参考。