Towards Large-Scale Incremental Dense Mapping using Robot-centric Implicit Neural Representation

要約

大規模な高密度マッピングは、ロボット工学、デジタルツイン、仮想現実において不可欠です。
最近、暗黙的ニューラル マッピングは顕著な再構成品質を示しています。
ただし、暗黙的なニューラル表現を使用した増分大規模マッピングには、効率の低さ、ビデオ メモリの制限、および壊滅的な忘却現象により、問題が依然として残ります。
これらの課題に対処するために、大規模な増分密マッピングのためのロボット中心の暗黙的マッピング (RIM) 手法を導入します。
この方法ではハイブリッド表現が採用されており、多重解像度ボクセル マップを介して暗黙の特徴を使用して形状をエンコードし、浅い MLP を介して符号付き距離フィールドをデコードします。
私たちは、モデルのトレーニング効率を高め、壊滅的な忘却の問題を抑制するために、ロボット中心のローカル マップを提唱します。
分離されたスケーラブルなグローバル マップは、学習された特徴をアーカイブして再利用し、一定のビデオ メモリ消費を維持するためにさらに開発されています。
検証実験では、距離センサーを使用した高度な高密度マッピング手法と比較して、さまざまな規模やシーンにわたる当社の手法の卓越した品質、効率、適応性が実証されています。
私たちのシステムのコードは \url{https://github.com/HITSZ-NRSL/RIM.git} からアクセスできます。

要約(オリジナル)

Large-scale dense mapping is vital in robotics, digital twins, and virtual reality. Recently, implicit neural mapping has shown remarkable reconstruction quality. However, incremental large-scale mapping with implicit neural representations remains problematic due to low efficiency, limited video memory, and the catastrophic forgetting phenomenon. To counter these challenges, we introduce the Robot-centric Implicit Mapping (RIM) technique for large-scale incremental dense mapping. This method employs a hybrid representation, encoding shapes with implicit features via a multi-resolution voxel map and decoding signed distance fields through a shallow MLP. We advocate for a robot-centric local map to boost model training efficiency and curb the catastrophic forgetting issue. A decoupled scalable global map is further developed to archive learned features for reuse and maintain constant video memory consumption. Validation experiments demonstrate our method’s exceptional quality, efficiency, and adaptability across diverse scales and scenes over advanced dense mapping methods using range sensors. Our system’s code will be accessible at \url{https://github.com/HITSZ-NRSL/RIM.git}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google