Keeping Less is More: Point Sparsification for Visual SLAM

要約

SLAM（Simultaneous Mapping and Localization）を自律走行車、ドローン、拡張現実デバイスなどの実世界のアプリケーションに適用する場合、そのメモリフットプリントと計算コストが性能と適用範囲を制限する2つの主要因である。疎な特徴に基づくSLAMアルゴリズムにおいて、この問題に対する効率的な方法の一つは、局所的および大域的な束調整（BA）に潜在的に有用な点を選択することによって、地図点サイズを制限することである。本研究では、SLAMシステムにおけるマップポイントのスパース化のための効率的なグラフ最適化を提案する。具体的には、最大姿勢可視性と最大空間多様性問題を、最小コストの最大フローグラフ最適化問題として定式化する。提案手法は、既存のSLAMシステムの追加ステップとして動作するため、従来のSLAMシステムまたは学習ベースのSLAMシステムのいずれにも利用することができる。また、提案手法を実験的に評価することで、提案手法は地図上の点数の約1/3、計算量の約1/2で、より正確なカメラ姿勢を達成できることを実証する。

要約(オリジナル)

When adapting Simultaneous Mapping and Localization (SLAM) to real-world applications, such as autonomous vehicles, drones, and augmented reality devices, its memory footprint and computing cost are the two main factors limiting the performance and the range of applications. In sparse feature based SLAM algorithms, one efficient way for this problem is to limit the map point size by selecting the points potentially useful for local and global bundle adjustment (BA). This study proposes an efficient graph optimization for sparsifying map points in SLAM systems. Specifically, we formulate a maximum pose-visibility and maximum spatial diversity problem as a minimum-cost maximum-flow graph optimization problem. The proposed method works as an additional step in existing SLAM systems, so it can be used in both conventional or learning based SLAM systems. By extensive experimental evaluations we demonstrate the proposed method achieves even more accurate camera poses with approximately 1/3 of the map points and 1/2 of the computation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL