机器人在真实世界中常因环境干扰而“迷路”，导致定位漂移甚至任务失败。卡内基梅隆大学团队提出的Super Odometry，通过一种分层自适应机制，让里程计能根据环境退化程度自动“升档”，动态切换感知策略，从而在烟雾、黑暗等极端场景下依然能稳定输出位姿，保障了机器人的安全运行。
智能速览
Super Odometry核心是让系统根据环境退化程度自动“升档”。
在极端条件下，基于学习的惯性模块提供稳定可靠的兜底方案。
实测3公里复杂路线，漂移率低至0.006%，实现零失败。
内部感知（本体感觉）与外部感知对机器人鲁棒性同等重要。
精华内容
传统里程计在复杂环境下易失效，Super Odometry则提出了一套分层自适应的解决方案，旨在赋予机器人更强的环境适应能力，使其在严苛环境中保持稳定运行。
里程计的困境
机器人里程计的可靠性直接关系到其安全性与大规模部署。然而，真实世界远比理想环境复杂，快速运动、烟雾、黑暗、反光、灰尘以及崎岖地形等因素，极易干扰外部传感器（如相机、激光雷达）的正常工作，导致定位漂移、里程计失效，甚至造成机器人撞毁等严重后果。当外部感知变得不可靠时，如何维持稳定的运动估计，成为机器人技术的一大挑战。
自动“升档”机制
Super Odometry的核心思想是借鉴人类在低能见度下依靠本体感觉保持平衡的能力，让机器人学会根据环境变化自适应地调整感知策略。该系统是一个分层自适应框架，当环境出现轻度性能衰减时，系统会过滤掉不可靠的感官特征。随着条件持续恶化，它会自适应地调整对不同状态维度的信任度，并在视觉、激光雷达和惯性里程计引擎之间动态切换。在严重衰减情况下，一个基于学习的惯性模块将作为坚实的后备方案，接管位姿估计工作，保证系统始终能输出可用结果。
严苛实测表现
为验证系统的鲁棒性，研究团队在一个腿式机器人上进行了长达46分钟的连续测试。机器人在总长2966米的路线上，穿越了超过13个挑战性场景，包括无纹理长走廊、陡峭多层楼梯、昏暗的室内外过渡区，以及充满烟雾、玻璃反光和视觉完全失效的区域。在未使用任何后端优化的情况下，Super Odometry全程保持了实时状态估计，实现了零失败记录，总漂移量仅为0.2米，漂移率低至惊人的0.006%。
内外感知协同
这项技术的突破性在于，它证明了内部感知（如惯性测量）与外部感知（如视觉和激光雷达）对于构建一个鲁棒的里程计系统同等重要。Super Odometry并非简单地融合多传感器数据，而是通过智能的分层框架，让系统能够“学习”并“适应”环境的变化。当外部感知可靠时，系统充分利用其提供的丰富信息；当其退化时，则无缝地依赖更稳定的内部感知，这种动态协同能力是其在极端场景下保持稳定的关键。
