LCP-Fusion: 一种具有增强局部约束和可计算先验的神经隐式SLAM
机器人学
2024-11-07 v1 计算机视觉与模式识别
摘要
最近，基于神经隐式表示的密集同时定位与建图(SLAM)在孔洞填充和高保真建图方面取得了令人瞩目的进展。然而，现有方法要么严重依赖已知的场景边界，要么因潜在回环闭合区域的漂移而导致重建不一致，或者两者兼有，这可以归因于僵化的表示和缺乏局部约束。在本文中，我们提出了LCP-Fusion，一种具有增强局部约束和可计算先验的神经隐式SLAM系统，它采用包含特征网格和SDF先验的稀疏体素八叉树结构作为混合场景表示，从而在建图和跟踪过程中实现可扩展性和鲁棒性。为了增强局部约束，我们提出了一种基于视觉重叠的新型滑动窗口选择策略以解决回环闭合问题，以及一种实用的warping loss来约束相对姿态。此外，我们将SDF先验估计为隐式特征的粗初始化，这带来了额外的显式约束和鲁棒性，特别是在采用轻量但高效的自适应提前终止策略时。实验表明，我们的方法在定位精度和重建一致性方面优于现有的RGB-D隐式SLAM，尤其是在具有挑战性的真实场景(ScanNet)以及具有未知场景边界的自采场景中。代码可在 https://github.com/laliwang/LCP-Fusion 获取。
引用
@article{arxiv.2411.03610,
title = {LCP-Fusion: A Neural Implicit SLAM with Enhanced Local Constraints and Computable Prior},
author = {Jiahui Wang and Yinan Deng and Yi Yang and Yufeng Yue},
journal= {arXiv preprint arXiv:2411.03610},
year = {2024}
}
备注
Accepted by 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2024)