iSLAM: Imperative SLAM

要約

同時位置特定とマッピング (SLAM) は、ロボット ナビゲーションにおける重要な課題の 1 つです。
最近の進歩により、教師あり学習に基づく手法がフロントエンド オドメトリで優れたパフォーマンスを実現する一方で、バックエンドでは推定ドリフトを最小限に抑えるために従来の最適化ベースの手法が依然として重要な役割を果たしていることが示唆されています。
この論文では、このような分離されたパラダイムは次善のパフォーマンスのみをもたらし、その結果、システムの機能と汎用化の可能性が低下する可能性があることを発見しました。
この問題を解決するために、私たちは新しい自己教師あり学習フレームワークである命令型 SLAM (iSLAM) を提案しました。これは、フロントエンドとバックエンドの間の相互修正を促進し、外部の監視を必要とせずにパフォーマンスを向上させます。
具体的には、2 つのコンポーネントが双方向に接続されるように、SLAM システムをバイレベル最適化問題として定式化します。
その結果、フロントエンド モデルは、バックエンドからの残差を逆伝播することにより、ポーズ グラフの最適化を通じて得られたグローバルな幾何学的な知識を学習することができます。
これにより、システム全体の汎化能力が大幅に向上し、最大 45% の精度向上が達成されます。
私たちの知る限り、iSLAM は、フロントエンドとバックエンドが共同で学習し、自己監視された方法で相互に貢献できることを示した最初の SLAM システムです。

要約(オリジナル)

Simultaneous localization and mapping (SLAM) stands as one of the critical challenges in robot navigation. Recent advancements suggest that methods based on supervised learning deliver impressive performance in front-end odometry, while traditional optimization-based methods still play a vital role in the back-end for minimizing estimation drift. In this paper, we found that such decoupled paradigm can lead to only sub-optimal performance, consequently curtailing system capabilities and generalization potential. To solve this problem, we proposed a novel self-supervised learning framework, imperative SLAM (iSLAM), which fosters reciprocal correction between the front-end and back-end, thus enhancing performance without necessitating any external supervision. Specifically, we formulate a SLAM system as a bi-level optimization problem so that the two components are bidirectionally connected. As a result, the front-end model is able to learn global geometric knowledge obtained through pose graph optimization by back-propagating the residuals from the back-end. This significantly improves the generalization ability of the entire system and thus achieves the accuracy improvement up to 45%. To the best of our knowledge, iSLAM is the first SLAM system showing that the front-end and back-end can learn jointly and mutually contribute to each other in a self-supervised manner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google