N$^{3}$-Mapping: Normal Guided Neural Non-Projective Signed Distance Fields for Large-scale 3D Mapping

要約

大規模環境における正確で緻密なマッピングは、さまざまなロボット アプリケーションにとって不可欠です。
最近、暗黙的なニューラル符号付き距離場 (SDF) がこのタスクにおいて有望な進歩を示しています。
ただし、既存のアプローチのほとんどは、SDF の監視として距離データからの投影距離を使用しているため、近似誤差が生じ、マッピングの品質が低下します。
この問題に対処するために、法線誘導ニューラル非射影符号付き距離場を特徴とする暗黙的ニューラル マッピング システムである N$^{3}$-Mapping を導入します。
具体的には、距離データからより正確な非投影距離値を取得するために、光線の代わりに表面法線に沿って点を直接サンプリングします。
次に、これらの距離値は、暗黙的なマップをトレーニングするための監視として使用されます。
大規模なマッピングの場合、ボクセル指向のスライディング ウィンドウ メカニズムを適用して、境界のあるメモリ フットプリントによる忘却の問題を軽減します。
さらに、測定された点群の不均一な分布を考慮して、トレーニング効率を向上させるために階層的なサンプリング戦略が設計されています。
実験では、既存のアプローチと比較して、私たちの方法が SDF 近似誤差を効果的に軽減し、最先端のマッピング品質を達成することを示しています。

要約(オリジナル)

Accurate and dense mapping in large-scale environments is essential for various robot applications. Recently, implicit neural signed distance fields (SDFs) have shown promising advances in this task. However, most existing approaches employ projective distances from range data as SDF supervision, introducing approximation errors and thus degrading the mapping quality. To address this problem, we introduce N$^{3}$-Mapping, an implicit neural mapping system featuring normal-guided neural non-projective signed distance fields. Specifically, we directly sample points along the surface normal, instead of the ray, to obtain more accurate non-projective distance values from range data. Then these distance values are used as supervision to train the implicit map. For large-scale mapping, we apply a voxel-oriented sliding window mechanism to alleviate the forgetting issue with a bounded memory footprint. Besides, considering the uneven distribution of measured point clouds, a hierarchical sampling strategy is designed to improve training efficiency. Experiments demonstrate that our method effectively mitigates SDF approximation errors and achieves state-of-the-art mapping quality compared to existing approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google