视觉SLAM（VSLAM）系统长期面临一个棘手问题：当光照条件急剧变化时，自动曝光（AE）策略往往来不及调整，图像就已经饱和，导致维持跟踪所需的视觉对应关系丢失。针对这一痛点，来自拉瓦尔大学NORLAB实验室的Olivier Gamache等六位作者提出了一套在两层面上缓解该扰动的方法，论文以《Bracketing Shows the Way: Adaptive Multi-Exposure Policy as Input for Robust Visual SLAM》为题提交至arXiv（编号2610.33174，分类cs.RO），并已投稿2027年IEEE国际机器人与自动化会议（ICRA 2027）。稿件共9页、含6幅图，于2026年10月23日18:16:24 UTC提交，全文约3.3 MB，代码已在GitHub的norlab-ulaval/bracketing-shows-the-way仓库公开。
第一层方法名为B-Adapt，其核心思想是主动获取自适应曝光包围（bracket）。与单张自动曝光图像不同，B-Adapt会采集一组不同曝光时长的图像，以覆盖场景的完整动态范围，同时在相邻曝光之间刻意保持光度重叠，从而使后续的视觉匹配仍然可行。这种设计相当于在图像采集阶段就为剧烈的明暗跳变预留了冗余，而不是被动等待AE策略逐步收敛。
第二层方法名为BVSLAM，它直接使用多曝光图像序列作为因子图状态估计器中的约束，而不依赖高动态范围（HDR）合并。这一选择颇具意义：传统思路往往先把多曝光图像融合成一张HDR图再做跟踪，但融合过程本身耗时且可能引入伪影；BVSLAM则绕开合并步骤，把每一张曝光图像都作为独立的观测约束纳入优化，从而在保持实时性的同时提升鲁棒性。
作者在标称环境和模拟隧道出口的重复光照过渡场景中对两种方法进行了评估，对比对象为当前最先进的方法。测试中车辆模拟速度为32米每秒（约115公里每小时），这一速度下的隧道出口过渡对视觉系统构成严峻挑战——从昏暗隧道驶入明亮外界，画面会在极短时间内过曝。实验结果显示，在隧道场景中，将B-Adapt与BVSLAM结合使用，相比使用AE图像可将状态估计误差降低78%。这一数字表明，曝光包围策略在应对快速光照扰动方面效率显著。
论文同时指出，该方法在标称条件下仍能保持较低的误差水平，说明鲁棒性的提升并未以牺牲常规环境下的精度为代价。作者总结认为，包围曝光能够有效增强视觉位姿估计对快速光照变化的鲁棒性。值得注意的是，该工作目前处于预印本阶段，尚待同行评审，其评估主要基于模拟速度下的隧道出口场景，实际道路环境中更复杂的光照条件仍需进一步验证。此外，论文的DOI已由DataCite发放（待注册），读者可通过arXiv获取PDF、实验性HTML版本及TeX源码。