SuperPoint-SLAM3: Augmenting ORB-SLAM3 with Deep Features, Adaptive NMS, and Learning-Based Loop Closure

要約

視覚的な同時ローカリゼーションとマッピング（SLAM）は、極端な視点、スケール、照明のバリエーションの下で正確なままでなければなりません。
広く採用されているORB-SLAM3は、これらの体制で手作りのORBキーポイントに依存しているため、これらの体制でぐらつきます。
SuperPoint-SLAM3を導入します。これは、（i）ORBを自己監視スーパーポイント検出器に置き換えるドロップインアップグレード – デスプリシcor、（ii）適応性のない非最大抑制（ANM）を介して空間的に均一なキーポイントを施行し、（iii）は、学習ベースのループフローチャのための軽量のNetvlad Place-Recognition Headを統合します。
Kitti Odometryでは、ベンチマークSuperPoint-SLAM3は平均翻訳誤差を4.15％から0.34％に減らし、平均回転誤差は0.0027度/mから0.0010 deg/mに減少します。
Euroc MAVデータセットでは、すべてのシーケンスにわたって両方のエラーをほぼ半分にします（例：V2 \ _03：1.58％ – > 0.79％）。
これらの利益は、現代の深い特徴を学んだループクロージャーモジュールと融合することで、リアルタイムの操作を維持しながらOrb-Slam3の精度が著​​しく向上することを確認しています。
実装、前処理された重み、再現性スクリプトは、https：//github.com/shahram95/superpointslam3で入手できます。

要約(オリジナル)

Visual simultaneous localization and mapping (SLAM) must remain accurate under extreme viewpoint, scale and illumination variations. The widely adopted ORB-SLAM3 falters in these regimes because it relies on hand-crafted ORB keypoints. We introduce SuperPoint-SLAM3, a drop-in upgrade that (i) replaces ORB with the self-supervised SuperPoint detector–descriptor, (ii) enforces spatially uniform keypoints via adaptive non-maximal suppression (ANMS), and (iii) integrates a lightweight NetVLAD place-recognition head for learning-based loop closure. On the KITTI Odometry benchmark SuperPoint-SLAM3 reduces mean translational error from 4.15% to 0.34% and mean rotational error from 0.0027 deg/m to 0.0010 deg/m. On the EuRoC MAV dataset it roughly halves both errors across every sequence (e.g., V2\_03: 1.58% -> 0.79%). These gains confirm that fusing modern deep features with a learned loop-closure module markedly improves ORB-SLAM3 accuracy while preserving its real-time operation. Implementation, pretrained weights and reproducibility scripts are available at https://github.com/shahram95/SuperPointSLAM3.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google