NID-SLAM: Neural Implicit Representation-based RGB-D SLAM in dynamic environments

要約

ニューラル暗黙的表現は、特に忠実度の高い高密度マップを提供する際に、視覚的な SLAM アルゴリズムを強化するために研究されてきました。
既存の方法は、静的なシーンでは堅牢に動作しますが、移動するオブジェクトによって引き起こされる中断に苦労します。
この論文では、動的環境におけるニューラル SLAM のパフォーマンスを大幅に向上させる NID-SLAM について紹介します。
我々は、セマンティックマスクの不正確な領域、特にマージン領域を強調するための新しいアプローチを提案します。
この方法では、深度画像に存在する幾何学的情報を利用して、動的オブジェクトを正確に除去できるため、カメラ ドリフトの可能性が低減されます。
さらに、動的なシーン用のキーフレーム選択戦略を導入します。これにより、大規模なオブジェクトに対するカメラ追跡の堅牢性が強化され、マッピングの効率が向上します。
公開されている RGB-D データセットでの実験では、動的環境における追跡精度とマッピング品質において、私たちの方法が競合するニューラル SLAM アプローチよりも優れていることが実証されています。

要約(オリジナル)

Neural implicit representations have been explored to enhance visual SLAM algorithms, especially in providing high-fidelity dense map. Existing methods operate robustly in static scenes but struggle with the disruption caused by moving objects. In this paper we present NID-SLAM, which significantly improves the performance of neural SLAM in dynamic environments. We propose a new approach to enhance inaccurate regions in semantic masks, particularly in marginal areas. Utilizing the geometric information present in depth images, this method enables accurate removal of dynamic objects, thereby reducing the probability of camera drift. Additionally, we introduce a keyframe selection strategy for dynamic scenes, which enhances camera tracking robustness against large-scale objects and improves the efficiency of mapping. Experiments on publicly available RGB-D datasets demonstrate that our method outperforms competitive neural SLAM approaches in tracking accuracy and mapping quality in dynamic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google