Visual SLAM: What are the Current Trends and What to Expect?

要約

ビジョンベースのセンサーは、近年、SLAM (Simultaneous Localization and Mapping) システムでパフォーマンス、精度、および効率が大幅に向上していることが示されています。
これに関して、Visual Simultaneous Localization and Mapping (VSLAM) メソッドは、姿勢推定とマップ生成にカメラを使用する SLAM アプローチを指します。
VSLAM が、Lidar などの特定のセンサーのみに依存する従来の方法よりも、低コストであっても優れた性能を発揮できることを実証した多くの研究を見ることができます。
VSLAM アプローチは、さまざまなカメラ タイプ (単眼、ステレオ、RGB-D など) を利用し、さまざまなデータセット (KITTI、TUM RGB-D、EuRoC など) および異なる環境 (屋内と屋外など) でテストされています。
環境をよりよく理解するために、複数のアルゴリズムと方法論を採用します。
前述のバリエーションにより、このトピックは研究者に人気があり、幅広い VSLAM 方法論が生まれました。
この点に関して、この調査の主な目的は、既存の課題と傾向について議論するとともに、VSLAM システムの最近の進歩を提示することです。
VSLAM の分野で発表された 45 の影響力のある論文の詳細な文献調査を行いました。
これらの写本は、新規性ドメイン、目的、採用アルゴリズム、セマンティック レベルなどのさまざまな特性によって分類されています。
また、研究者がそれらを調査するのに役立つ可能性がある現在の傾向と将来の方向性についても説明します。

要約(オリジナル)

Vision-based sensors have shown significant performance, accuracy, and efficiency gain in Simultaneous Localization and Mapping (SLAM) systems in recent years. In this regard, Visual Simultaneous Localization and Mapping (VSLAM) methods refer to the SLAM approaches that employ cameras for pose estimation and map generation. We can see many research works that demonstrated VSLAMs can outperform traditional methods, which rely only on a particular sensor, such as a Lidar, even with lower costs. VSLAM approaches utilize different camera types (e.g., monocular, stereo, and RGB-D), have been tested on various datasets (e.g., KITTI, TUM RGB-D, and EuRoC) and in dissimilar environments (e.g., indoors and outdoors), and employ multiple algorithms and methodologies to have a better understanding of the environment. The mentioned variations have made this topic popular for researchers and resulted in a wide range of VSLAMs methodologies. In this regard, the primary intent of this survey is to present the recent advances in VSLAM systems, along with discussing the existing challenges and trends. We have given an in-depth literature survey of forty-five impactful papers published in the domain of VSLAMs. We have classified these manuscripts by different characteristics, including the novelty domain, objectives, employed algorithms, and semantic level. We also discuss the current trends and future directions that may help researchers investigate them.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google