DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing

要約

現実世界の複雑なシナリオにおけるビジュアル SLAM のパフォーマンスは、手作りの特徴を使用する場合、信頼性の低い特徴抽出とマッチングによって損なわれることがよくあります。
ディープ ラーニング ベースのローカル特徴は、高レベルの情報の取得に優れ、ベンチマークの照合では良好なパフォーマンスを発揮しますが、連続モーション シーンでは一般化に苦労し、ループ検出の精度に悪影響を及ぼします。
私たちのシステムは、モデルに依存しないメタ学習 (MAML) 戦略を採用して、キーポイント抽出ネットワークのトレーニングを最適化し、多様な環境への適応性を高めます。
さらに、学習されたキーポイントに対して粗いものから細かいものまでの特徴追跡メカニズムを導入します。
これは、連続するフレーム間の相対的な姿勢を近似する直接的な方法から始まり、その後、洗練された姿勢推定のための特徴マッチング方法が続きます。
累積的な測位誤差を軽減するために、DK-SLAM には、ループ閉鎖検出にバイナリ機能を利用する新しいオンライン学習モジュールが組み込まれています。
このモジュールはシーケンス内のループ ノードを動的に識別し、正確かつ効率的な位置特定を保証します。
公開されているデータセットの実験評価では、DK-SLAM が、ORB-SLAM3 や LIFT-SLAM などの主要な従来の学習ベースの SLAM システムよりも優れていることが実証されています。
これらの結果は、多様で困難な現実世界の環境における当社の DK-SLAM の有効性と堅牢性を強調しています。

要約(オリジナル)

The performance of visual SLAM in complex, real-world scenarios is often compromised by unreliable feature extraction and matching when using handcrafted features. Although deep learning-based local features excel at capturing high-level information and perform well on matching benchmarks, they struggle with generalization in continuous motion scenes, adversely affecting loop detection accuracy. Our system employs a Model-Agnostic Meta-Learning (MAML) strategy to optimize the training of keypoint extraction networks, enhancing their adaptability to diverse environments. Additionally, we introduce a coarse-to-fine feature tracking mechanism for learned keypoints. It begins with a direct method to approximate the relative pose between consecutive frames, followed by a feature matching method for refined pose estimation. To mitigate cumulative positioning errors, DK-SLAM incorporates a novel online learning module that utilizes binary features for loop closure detection. This module dynamically identifies loop nodes within a sequence, ensuring accurate and efficient localization. Experimental evaluations on publicly available datasets demonstrate that DK-SLAM outperforms leading traditional and learning based SLAM systems, such as ORB-SLAM3 and LIFT-SLAM. These results underscore the efficacy and robustness of our DK-SLAM in varied and challenging real-world environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google