HERO-SLAM: Hybrid Enhanced Robust Optimization of Neural SLAM

要約

SLAM (Simultaneous Localization and Mapping) はロボット工学の基本的なタスクであり、自動運転や仮想現実などの多数のアプリケーションを推進します。
ニューラル暗黙的 SLAM に関する最近の進歩は、心強い、印象的な結果を示しています。
ただし、特に困難な状況やデータが限られた状況におけるニューラル SLAM の堅牢性は未解決の問題のままです。
このペーパーでは、ニューラル暗黙的フィールドとフィーチャーメトリック最適化の利点を組み合わせた、ニューラル SLAM 用のハイブリッド強化ロバスト最適化手法である HERO-SLAM について説明します。
このハイブリッド手法は、多重解像度の暗黙的フィールドを最適化し、突然の視点変更やまばらなデータ収集などの困難な環境における堅牢性を強化します。
ベンチマーク データセットに関する包括的な実験結果は、ハイブリッド アプローチの有効性を検証し、困難なシナリオにおいて既存の陰的フィールドベースの手法より優れたパフォーマンスを実証しています。
HERO-SLAM は、現実世界のシナリオにおけるニューラル SLAM の安定性、パフォーマンス、および適用性を強化するための新しい経路を提供します。
コードはプロジェクト ページ https://hero-slam.github.io で入手できます。

要約(オリジナル)

Simultaneous Localization and Mapping (SLAM) is a fundamental task in robotics, driving numerous applications such as autonomous driving and virtual reality. Recent progress on neural implicit SLAM has shown encouraging and impressive results. However, the robustness of neural SLAM, particularly in challenging or data-limited situations, remains an unresolved issue. This paper presents HERO-SLAM, a Hybrid Enhanced Robust Optimization method for neural SLAM, which combines the benefits of neural implicit field and feature-metric optimization. This hybrid method optimizes a multi-resolution implicit field and enhances robustness in challenging environments with sudden viewpoint changes or sparse data collection. Our comprehensive experimental results on benchmarking datasets validate the effectiveness of our hybrid approach, demonstrating its superior performance over existing implicit field-based methods in challenging scenarios. HERO-SLAM provides a new pathway to enhance the stability, performance, and applicability of neural SLAM in real-world scenarios. Code is available on the project page: https://hero-slam.github.io.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google