X-SLAM: Scalable Dense SLAM for Task-aware Optimization using CSFD

要約

我々は、複素ステップ有限差分（CSFD）法を活用することで、大規模な計算グラフの必要性を回避し、数値微分の効率的な計算を可能にするリアルタイム密微分可能SLAMシステムであるX-SLAMを発表する。我々のアプローチの鍵は、SLAMプロセスを微分可能な関数として扱い、複素領域内でのテイラー級数展開を通じて重要なSLAMパラメータの微分計算を可能にすることです。我々のシステムは、勾配だけでなく、高次微分のリアルタイム計算を可能にする。これにより、高次オプティマイザの使用が容易になり、より優れた精度と高速な収束を実現します。X-SLAMを基盤として、我々は2つの重要なタスクのためのエンドツーエンドの最適化フレームワークを実装した：広い屋外シーンにおけるカメラの再局在化と、複雑な屋内環境における能動的なロボット走査である。公開ベンチマークと複雑な実シーンでの包括的な評価により、我々のタスクを考慮した最適化によって達成された、カメラの再局在化の精度とロボットナビゲーションの効率の向上が実証された。コードとデータはhttps://gapszju.github.io/X-SLAM。

要約(オリジナル)

We present X-SLAM, a real-time dense differentiable SLAM system that leverages the complex-step finite difference (CSFD) method for efficient calculation of numerical derivatives, bypassing the need for a large-scale computational graph. The key to our approach is treating the SLAM process as a differentiable function, enabling the calculation of the derivatives of important SLAM parameters through Taylor series expansion within the complex domain. Our system allows for the real-time calculation of not just the gradient, but also higher-order differentiation. This facilitates the use of high-order optimizers to achieve better accuracy and faster convergence. Building on X-SLAM, we implemented end-to-end optimization frameworks for two important tasks: camera relocalization in wide outdoor scenes and active robotic scanning in complex indoor environments. Comprehensive evaluations on public benchmarks and intricate real scenes underscore the improvements in the accuracy of camera relocalization and the efficiency of robotic navigation achieved through our task-aware optimization. The code and data are available at https://gapszju.github.io/X-SLAM.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL