Towards Open World NeRF-Based SLAM

要約

Neural Radiance Fields (NeRF) は、Simultaneous Localization and Mapping (SLAM) タスクのマップ表現に多用途性と堅牢性を提供します。
このペーパーは、高品質の NeRF マップを作成できる最新の NeRF ベースの SLAM アルゴリズムである NICE-SLAM を拡張します。
ただし、使用するハードウェアによっては、これらのマップを生成するために必要な反復回数により、NICE-SLAM の実行速度がリアルタイム未満になることがよくあります。
さらに、推定された軌道は従来の SLAM アプローチと競合できません。
最後に、NICE-SLAM では、実行前に検討対象の環境をカバーするグリッドを定義する必要があるため、これまで見たことのないシーンに拡張することが困難になります。
この論文は、堅牢性と追跡精度を改善し、制約のない環境を処理できるようにマップ表現を一般化することにより、NICE-SLAM をよりオープンワールド対応にすることを目指しています。
これは、測定の不確実性の処理を改善し、動き情報を組み込み、明示的な前景と背景を持つものとしてマップをモデル化することによって行われます。
これらの変更により、利用可能なリソースに応じて追跡精度が 85% ～ 97% 向上すると同時に、事前定義されたグリッドの外側に視覚情報が広がる環境でのマッピングも向上することが示されています。

要約(オリジナル)

Neural Radiance Fields (NeRFs) offer versatility and robustness in map representations for Simultaneous Localization and Mapping (SLAM) tasks. This paper extends NICE-SLAM, a recent state-of-the-art NeRF-based SLAM algorithm capable of producing high quality NeRF maps. However, depending on the hardware used, the required number of iterations to produce these maps often makes NICE-SLAM run at less than real time. Additionally, the estimated trajectories fail to be competitive with classical SLAM approaches. Finally, NICE-SLAM requires a grid covering the considered environment to be defined prior to runtime, making it difficult to extend into previously unseen scenes. This paper seeks to make NICE-SLAM more open-world-capable by improving the robustness and tracking accuracy, and generalizing the map representation to handle unconstrained environments. This is done by improving measurement uncertainty handling, incorporating motion information, and modelling the map as having an explicit foreground and background. It is shown that these changes are able to improve tracking accuracy by 85% to 97% depending on the available resources, while also improving mapping in environments with visual information extending outside of the predefined grid.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google