Loopy-SLAM: Dense Neural SLAM with Loop Closures

要約

ニューラル RGBD SLAM 技術は、高密度同時位置特定およびマッピング (SLAM) で有望であることが示されていますが、カメラ追跡中にエラーが蓄積してマップが歪むなどの課題に直面しています。
これに応えて、ポーズと高密度 3D モデルをグローバルに最適化する Loopy-SLAM を導入します。
データ駆動型のポイントベースのサブマップ生成方法を使用したフレームからモデルへの追跡を使用し、グローバルな場所認識を実行することでオンラインでループ クロージャをトリガーします。
ローカル サブマップを厳密に位置合わせするために、堅牢なポーズ グラフ最適化が使用されます。
私たちの表現はポイントベースであるため、グリッドベースのマッピング構造を採用する方法で通常必要とされる、マッピングに使用される入力フレームの履歴全体を保存する必要がなく、マップ修正を効率的に実行できます。
合成レプリカと実世界の TUM-RGBD および ScanNet データセットの評価では、既存の高密度ニューラル RGBD SLAM メソッドと比較した場合、追跡、マッピング、レンダリング精度において競合または優れたパフォーマンスが実証されています。
プロジェクトページ: notchla.github.io/Loopy-SLAM。

要約(オリジナル)

Neural RGBD SLAM techniques have shown promise in dense Simultaneous Localization And Mapping (SLAM), yet face challenges such as error accumulation during camera tracking resulting in distorted maps. In response, we introduce Loopy-SLAM that globally optimizes poses and the dense 3D model. We use frame-to-model tracking using a data-driven point-based submap generation method and trigger loop closures online by performing global place recognition. Robust pose graph optimization is used to rigidly align the local submaps. As our representation is point based, map corrections can be performed efficiently without the need to store the entire history of input frames used for mapping as typically required by methods employing a grid based mapping structure. Evaluation on the synthetic Replica and real-world TUM-RGBD and ScanNet datasets demonstrate competitive or superior performance in tracking, mapping, and rendering accuracy when compared to existing dense neural RGBD SLAM methods. Project page: notchla.github.io/Loopy-SLAM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google