HI-SLAM: Monocular Real-time Dense Mapping with Hybrid Implicit Fields

要約

このレターでは、正確かつ高密度の同時位置特定とマッピング (SLAM) のための、神経場ベースのリアルタイム単眼マッピング フレームワークを紹介します。
最近のニューラル マッピング フレームワークは有望な結果を示していますが、RGB-D またはポーズ入力に依存しているか、リアルタイムで実行できません。
これらの制限に対処するために、私たちのアプローチは高密度 SLAM をニューラル暗黙的フィールドと統合します。
具体的には、私たちの高密度 SLAM アプローチでは、並行追跡とグローバル最適化が実行され、同時にニューラル フィールド ベースのマップが最新の SLAM 推定に基づいて段階的に構築されます。
ニューラル フィールドを効率的に構築するために、多重解像度グリッド エンコーディングと符号付き距離関数 (SDF) 表現を採用しています。
これにより、マップを常に最新の状態に保ち、ループを閉じることでグローバルな更新に即座に適応することができます。
グローバルな一貫性を確保するために、オンライン ループ クローズを実行し、ポーズとスケールのドリフトを軽減するための効率的な Sim(3) ベースのポーズ グラフ バンドル調整 (PGBA) アプローチを提案します。
深度の精度をさらに高めるために、学習された単眼深度事前分布を組み込みます。
我々は、深度事前分布に固有のスケールの曖昧さを解決するための新しい結合深度およびスケール調整 (JDSA) モジュールを提案します。
合成データセットと現実世界のデータセットにわたる広範な評価により、当社のアプローチがリアルタイムのパフォーマンスを維持しながら、精度とマップの完全性において既存の方法を上回っていることが検証されています。

要約(オリジナル)

In this letter, we present a neural field-based real-time monocular mapping framework for accurate and dense Simultaneous Localization and Mapping (SLAM). Recent neural mapping frameworks show promising results, but rely on RGB-D or pose inputs, or cannot run in real-time. To address these limitations, our approach integrates dense-SLAM with neural implicit fields. Specifically, our dense SLAM approach runs parallel tracking and global optimization, while a neural field-based map is constructed incrementally based on the latest SLAM estimates. For the efficient construction of neural fields, we employ multi-resolution grid encoding and signed distance function (SDF) representation. This allows us to keep the map always up-to-date and adapt instantly to global updates via loop closing. For global consistency, we propose an efficient Sim(3)-based pose graph bundle adjustment (PGBA) approach to run online loop closing and mitigate the pose and scale drift. To enhance depth accuracy further, we incorporate learned monocular depth priors. We propose a novel joint depth and scale adjustment (JDSA) module to solve the scale ambiguity inherent in depth priors. Extensive evaluations across synthetic and real-world datasets validate that our approach outperforms existing methods in accuracy and map completeness while preserving real-time performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google