LONER: LiDAR Only Neural Representations for Real-Time SLAM

要約

この論文では、ニューラル暗黙的シーン表現を使用する初のリアルタイム LiDAR SLAM アルゴリズムである LONER を提案します。
LiDAR の既存の暗黙的マッピング手法は、大規模な再構築において有望な結果を示していますが、グラウンドトゥルース ポーズが必要か、実行速度がリアルタイムよりも遅いかのいずれかです。
対照的に、LONER は LiDAR データを使用して MLP をトレーニングし、リアルタイムで密なマップを推定すると同時にセンサーの軌道を推定します。
リアルタイムのパフォーマンスを実現するために、この論文では、オンライン トレーニングを通じてマップの異なる領域がさまざまな程度で学習される可能性があるという事実を考慮した、新しい情報理論的損失関数を提案します。
提案された方法は、2 つのオープンソース データセットで定性的および定量的に評価されます。
この評価は、提案された損失関数が深さ教師付きニューラル暗黙的フレームワークで使用される他の損失関数よりも速く収束し、より正確なジオメトリの再構築につながることを示しています。
最後に、この論文は、LONER が最先端の LiDAR SLAM 手法と競合して軌道を推定すると同時に、グラウンドトゥルース ポーズを使用する既存のリアルタイム暗黙的マッピング手法と競合する高密度マップを生成することを示します。

要約(オリジナル)

This paper proposes LONER, the first real-time LiDAR SLAM algorithm that uses a neural implicit scene representation. Existing implicit mapping methods for LiDAR show promising results in large-scale reconstruction, but either require groundtruth poses or run slower than real-time. In contrast, LONER uses LiDAR data to train an MLP to estimate a dense map in real-time, while simultaneously estimating the trajectory of the sensor. To achieve real-time performance, this paper proposes a novel information-theoretic loss function that accounts for the fact that different regions of the map may be learned to varying degrees throughout online training. The proposed method is evaluated qualitatively and quantitatively on two open-source datasets. This evaluation illustrates that the proposed loss function converges faster and leads to more accurate geometry reconstruction than other loss functions used in depth-supervised neural implicit frameworks. Finally, this paper shows that LONER estimates trajectories competitively with state-of-the-art LiDAR SLAM methods, while also producing dense maps competitive with existing real-time implicit mapping methods that use groundtruth poses.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google