Hierarchical Pose Estimation and Mapping with Multi-Scale Neural Feature Fields

要約

ロボット アプリケーションには、現場を包括的に理解する必要があります。
近年、環境全体をパラメータ化する神経場ベースのアプローチが普及しています。
これらのアプローチは、継続的な性質と事前シーンを学習する能力により有望です。
ただし、ロボット工学における神経場の使用は、未知のセンサーの姿勢や連続した測定を扱う場合に困難になります。
この論文では、大規模なニューラル暗黙的 SLAM のセンサー姿勢推定の問題に焦点を当てます。
私たちは、確率論的な観点から暗黙的マッピングを調査し、対応するニューラル ネットワーク アーキテクチャを使用した階層的な姿勢推定を提案します。
私たちの方法は、大規模な暗黙的なマップ表現に適しています。
提案されたアプローチは、連続した屋外 LiDAR スキャンで動作し、短い軌道と長い軌道の両方で安定したマッピング品質を維持しながら、正確な姿勢推定を実現します。
私たちは、大規模な再構成に適した構造化されたスパースな暗黙的表現に基づいてメソッドを構築し、KITTI および MaiCity データセットを使用して評価しました。
私たちのアプローチは、未知のポーズでのマッピングの点でベースラインを上回り、最先端の位置特定精度を達成します。

要約(オリジナル)

Robotic applications require a comprehensive understanding of the scene. In recent years, neural fields-based approaches that parameterize the entire environment have become popular. These approaches are promising due to their continuous nature and their ability to learn scene priors. However, the use of neural fields in robotics becomes challenging when dealing with unknown sensor poses and sequential measurements. This paper focuses on the problem of sensor pose estimation for large-scale neural implicit SLAM. We investigate implicit mapping from a probabilistic perspective and propose hierarchical pose estimation with a corresponding neural network architecture. Our method is well-suited for large-scale implicit map representations. The proposed approach operates on consecutive outdoor LiDAR scans and achieves accurate pose estimation, while maintaining stable mapping quality for both short and long trajectories. We built our method on a structured and sparse implicit representation suitable for large-scale reconstruction and evaluated it using the KITTI and MaiCity datasets. Our approach outperforms the baseline in terms of mapping with unknown poses and achieves state-of-the-art localization accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google