GlORIE-SLAM：全局优化的纯 RGB 隐式编码点云 SLAM
计算机视觉与模式识别
2024-05-28 v3 机器人学
摘要
近期纯 RGB 稠密同时定位与建图（SLAM）的进展主要利用基于网格的神经隐式编码，且/或难以高效实现全局地图与位姿的一致性。为此，我们提出了一种高效的纯 RGB 稠密 SLAM 系统，该系统使用灵活的神经点云场景表示，可适应关键帧位姿和深度更新，而无需代价高昂的反向传播。纯 RGB SLAM 的另一个关键挑战是缺乏几何先验。为了缓解这一问题，在单目深度估计器的辅助下，我们引入了一种用于光束法平差的全新 DSPO 层，该层可优化关键帧的位姿和深度以及单目深度的尺度。最后，我们的系统受益于回环检测和在线全局光束法平差，在 Replica、TUM-RGBD 和 ScanNet 数据集上的跟踪、建图和渲染精度方面，表现优于或与现有的稠密神经 RGB SLAM 方法相当。源代码可在 https://github.com/zhangganlin/GlOIRE-SLAM 获取
引用
@article{arxiv.2403.19549,
title = {GlORIE-SLAM: Globally Optimized RGB-only Implicit Encoding Point Cloud SLAM},
author = {Ganlin Zhang and Erik Sandström and Youmin Zhang and Manthan Patel and Luc Van Gool and Martin R. Oswald},
journal= {arXiv preprint arXiv:2403.19549},
year = {2024}
}