HERO-SLAM：用于神经SLAM的混合增强鲁棒优化
机器人学
2024-07-29 v1
摘要
同时定位与地图构建（SLAM）是机器人领域的基础任务，驱动着诸如自动驾驶和虚拟现实等众多应用。最近的神经隐式SLAM进展显示出令人鼓舞且惊人的效果。然而，神经SLAM的鲁棒性，特别是在具有挑战性或数据受限的情况下，仍然是一个未解决的问题。本文提出HERO-SLAM，这是一种用于神经SLAM的混合增强鲁棒优化方法，结合了神经隐式场和特征-度量优化的优势。这种混合方法优化多分辨率隐式场，并通过处理突然的视角变化或稀疏数据收集，增强了在挑战性环境中的鲁棒性。我们的全面实验结果在基准数据集上验证了混合方法的有效性，展示了其在挑战性情景下相较于现有基于隐式场的方法的卓越性能。HERO-SLAM为增强神经SLAM在实际场景中的稳定性、性能和适用性提供了新的途径。代码已在项目页面发布：https://hero-slam.github.io。
引用
@article{arxiv.2407.18813,
title = {HERO-SLAM: Hybrid Enhanced Robust Optimization of Neural SLAM},
author = {Zhe Xin and Yufeng Yue and Liangjun Zhang and Chenming Wu},
journal= {arXiv preprint arXiv:2407.18813},
year = {2024}
}
备注
Accepted to ICRA 2024