視覺SLAM（VSLAM）系統長期面臨一個棘手問題：當光照條件急劇變化時，自動曝光（AE）策略往往來不及調整，圖像就已經飽和，導致維持跟蹤所需的視覺對應關係丟失。針對這一痛點，來自拉瓦爾大學NORLAB實驗室的Olivier Gamache等六位作者提出了一套在兩層面上緩解該擾動的方法，論文以《Bracketing Shows the Way: Adaptive Multi-Exposure Policy as Input for Robust Visual SLAM》為題提交至arXiv（編號2610.33174，分類cs.RO），並已投稿2027年IEEE國際機器人與自動化會議（ICRA 2027）。稿件共9頁、含6幅圖，於2026年10月23日18:16:24 UTC提交，全文約3.3 MB，代碼已在GitHub的norlab-ulaval/bracketing-shows-the-way倉庫公開。
第一層方法名為B-Adapt，其核心思想是主動獲取自適應曝光包圍（bracket）。與單張自動曝光圖像不同，B-Adapt會採集一組不同曝光時長的圖像，以覆蓋場景的完整動態範圍，同時在相鄰曝光之間刻意保持光度重疊，從而使後續的視覺匹配仍然可行。這種設計相當於在圖像採集階段就為劇烈的明暗跳變預留了冗餘，而不是被動等待AE策略逐步收斂。
第二層方法名為BVSLAM，它直接使用多曝光圖像序列作為因子圖狀態估計器中的約束，而不依賴高動態範圍（HDR）合併。這一選擇頗具意義：傳統思路往往先把多曝光圖像融合成一張HDR圖再做跟蹤，但融合過程本身耗時且可能引入偽影；BVSLAM則繞開合併步驟，把每一張曝光圖像都作為獨立的觀測約束納入優化，從而在保持實時性的同時提升魯棒性。
作者在標稱環境和模擬隧道出口的重複光照過渡場景中對兩種方法進行了評估，對比對象為當前最先進的方法。測試中車輛模擬速度為32米每秒（約115公里每小時），這一速度下的隧道出口過渡對視覺系統構成嚴峻挑戰——從昏暗隧道駛入明亮外界，畫面會在極短時間內過曝。實驗結果顯示，在隧道場景中，將B-Adapt與BVSLAM結合使用，相比使用AE圖像可將狀態估計誤差降低78%。這一數字表明，曝光包圍策略在應對快速光照擾動方面效率顯著。
論文同時指出，該方法在標稱條件下仍能保持較低的誤差水平，説明魯棒性的提升並未以犧牲常規環境下的精度為代價。作者總結認為，包圍曝光能夠有效增強視覺位姿估計對快速光照變化的魯棒性。值得注意的是，該工作目前處於預印本階段，尚待同行評審，其評估主要基於模擬速度下的隧道出口場景，實際道路環境中更復雜的光照條件仍需進一步驗證。此外，論文的DOI已由DataCite發放（待註冊），讀者可通過arXiv獲取PDF、實驗性HTML版本及TeX源碼。