CVPR 2026｜DROID-W：复杂室外动态场景，也能稳定SLAM

图1：给定任意动态视频，DROID-W 能够估计准确的动态点云，相机位姿，以及动态不确定性。

• 论文标题：DROID-SLAM in the Wild
• 论文：https://arxiv.org/pdf/2603.19076
• 项目主页：https://moyangli00.github.io/droid-w
• 代码：https://github.com/MoyangLi00/DROID-W
• 数据集：https://cvg-data.inf.ethz.ch/DROID-W
• 作者单位：苏黎世联邦理工，微软

SLAM 在自动驾驶、机器人、AR/VR 乃至具身智能系统中都是至关重要的环节，它决定了算法能否在一个陌生环境中一边“看懂世界”，一边“知道自己在哪”。

最近，苏黎世联邦理工与微软的研究团队提出了 DROID-W：一种基于动态不确定性感知的稠密可微 Bundle Adjustment（BA）的动态 SLAM 框架。该工作在 RTX 5090 上可以达到 ～30 FPS 的实时性能，即将正式发表于 CVPR 2026。并且，该工作提出的动态不确定性感知模块可以即插即用地应用到多种 SLAM 框架中，有效提升其在真实动态环境中的性能。

传统 SLAM 困境：为什么现有方法不通用

传统 SLAM 系统大都基于静态场景的假设，然而在真实世界中，行人穿梭、车辆驶过、树影晃动、反光玻璃……这些看似再日常不过的因素，都会打破“静态场景”假设，进而导致严重的跟踪漂移，建图错误。过去的动态 SLAM 系统往往依赖于动态物体语意分割 / 检测等先验移除动态物体，但需提前预知动态物体类别，严重限制了其在真实物理世界的广泛应用。基于不确定性感知的动态 SLAM 方案 WildGS-SLAM 依赖于高质量的动态场景高斯建图来估计动态不确定性，但真实环境中的建图面临巨大挑战，严重限制了其性能。

与很多依赖预定义动态类别、语义分割先验或静态场景建图的方法不同，DROID-W 选择了一条更“底层”的路线：不去预设什么东西会动，不需要建立高质量静态场景，而是让系统自己从多视角观测中识别哪些区域不可靠，并在优化时自动降低这些区域的影响。真正实现了让单目 SLAM 系统适用于“随手拍”的真实动态场景。

让不确定性进入 BA，动态区域不再“拖后腿”

图2: DROID-W 系统架构。系统从序列输入的图片中首先选择关键帧，用于提取 DINO 特征，DROID 特征并估计单目深度图。DROID 特征继而被送入 ConvGRU 估计对应像素，基于 BA 优化相机位姿和深度。DINO 特征和优化后的位姿，深度被用于优化像素级动态不确定性。两优化交替进行，最终输出动态点云和准确的相机轨迹。

DROID-SLAM 是经典的将深度学习与优化优雅结合的 SLAM 框架，其通过稠密可微 BA 持续更新相机位姿和场景结构。但在动态场景里，传统 BA 默认的刚体运动关系被打破，错误残差会严重影响扰乱优化方向与准确性。

基于此，DROID-W 的关键改进，就是把“动态带来的不可靠性”显式建模为逐像素的动态不确定性。DROID-W 通过度量帧与帧之间的 DINO 特征相似度来衡量物体运动的动态不确定性。这些高不确定区域的残差项在 BA 优化中会被自动抑制，从而减少动态干扰对相机轨迹和几何结构估计的影响。但是位姿，深度，动态不确定性的大规模联合 Gauss-Newton 优化会带来高昂的计算成本，不适用于在线系统。为此，作者提出了交替优化的解决方案。系统一边执行位姿与深度的优化，一边根据多视角视觉特征的一致性迭代更新动态不确定性。

不靠“先验名单”，

而是让模型自己发现动态干扰

过去不少动态 SLAM 方法的思路，是先识别“可能运动的东西”再把它们 mask 掉，比如人、车、宠物等。但这种做法天然依赖类别先验：当场景中出现未知动态物体、非刚体运动、局部遮挡或强反光区域时，系统往往就不够稳了。DROID-W 则更强调观测一致性本身。

论文中，研究者借助 DINO 特征来衡量跨视角的一致性，并通过一个局部仿射映射加 Softplus 激活，把这些特征转化为连续的不确定性估计。相比把动态直接做成硬分割 mask，这种连续表达更细腻：它不只是告诉系统“哪里不能看”，而是进一步告诉系统“哪里该少信一点，哪里可以多信一点”。 这带来一个很重要的好处：系统不会因为场景里有动态物体，就粗暴地把整块区域全部丢掉。当一个物体只有局部在动，或者重新静止下来时，DROID-W 仍然有机会利用其中可靠的信息继续跟踪。这种“软抑制”策略，比一刀切的动态 masking 更适合真实世界。

不只是改方法，还做了更“野”的测试集

图3: DROID-W 数据集实例。

为了验证方法是否真的适用于真实场景，作者并没有把实验局限在常见的室内动态数据集上。除了 Bonn、TUM 和 DyCheck 这些常用数据集外，论文还引入了新的 DROID-W 数据集：这是一组更偏室外、更加开放、也更接近真实拍摄条件的数据，包含 7 段 Downtown 序列，并配有 RTK 支持的真值轨迹。DROID-W 数据集包含高动态场景、图像过曝、镜面反射、太阳光晕等高难度片段，很好的模拟了真实野外环境中的复杂场景。除此之外，作者还进一步测试了多段来自 YouTube 的动态视频片段，用来评估系统在真正“in-the-wild”视频中的通用性与鲁棒性。

实验结果

DROID-W 在多个动态数据集上都取得了最优的表现。作者指出，在 Bonn、TUM、DyCheck 等数据集上，方法依靠更稳定的不确定性估计，在高动态序列中明显优于原始 DROID-SLAM，也优于多种现有动态 SLAM 方法。 尤其值得注意的是在作者新提出的 DROID-W Dataset --更大尺度、更偏真实世界的室外动态数据集--作者提出的方法在该数据集上平均轨迹误差仅为 23 厘米，而 DROID-SLAM 误差却为 1.46 米。

图4：动态不确定性估计定性对比。第一行：输入的视频帧；其余行：基线方法与 DROID-W 的对比。DROID-W 能够在各种场景下输出准确可靠的动态不确定性。