NeRF and Gaussian Splatting SLAM in the Wild

要約

視覚的な同時位置特定およびマッピング (SLAM) システムを使用して屋外環境をナビゲートするには、動的なシーン、照明の変化、季節の変化により大きな課題が生じ、堅牢なソリューションが必要になります。
従来の SLAM 手法は適応性に問題がありますが、深層学習ベースのアプローチと新たな神経放射フィールド、およびガウス スプラッティング ベースの SLAM 手法は、有望な代替手段を提供します。
ただし、これらの手法は主に、安定した条件の制御された屋内環境で評価されており、構造化されておらず変化しやすい屋外環境でのパフォーマンスの理解にはギャップが残っています。
この研究では、カメラ追跡精度、環境要因に対する堅牢性、計算効率に焦点を当て、自然な屋外環境でこれらの方法を評価することで、このギャップに対処し、明確なトレードオフを明らかにしています。
広範な評価により、ニューラル SLAM 手法は、特に低照度などの困難な条件下で優れた堅牢性を実現しますが、高い計算コストがかかることが実証されています。
同時に、伝統的な方法は季節を問わず最高のパフォーマンスを発揮しますが、照明条件の変化に非常に敏感です。
ベンチマークのコードは、https://github.com/iis-esslingen/nerf-3dgs-benchmark で公開されています。

要約(オリジナル)

Navigating outdoor environments with visual Simultaneous Localization and Mapping (SLAM) systems poses significant challenges due to dynamic scenes, lighting variations, and seasonal changes, requiring robust solutions. While traditional SLAM methods struggle with adaptability, deep learning-based approaches and emerging neural radiance fields as well as Gaussian Splatting-based SLAM methods, offer promising alternatives. However, these methods have primarily been evaluated in controlled indoor environments with stable conditions, leaving a gap in understanding their performance in unstructured and variable outdoor settings. This study addresses this gap by evaluating these methods in natural outdoor environments, focusing on camera tracking accuracy, robustness to environmental factors, and computational efficiency, highlighting distinct trade-offs. Extensive evaluations demonstrate that neural SLAM methods achieve superior robustness, particularly under challenging conditions such as low light, but at a high computational cost. At the same time, traditional methods perform the best across seasons but are highly sensitive to variations in lighting conditions. The code of the benchmark is publicly available at https://github.com/iis-esslingen/nerf-3dgs-benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google