基于轨迹平滑约束的NeRF-based SLAM优化
机器人学
2024-10-14 v1
摘要
Neural Radiance Fields（NeRF）与相机轨迹联合优化在SLAM任务中因其卓越的稠密映射质量和一致性而广泛应用。NeRF-based SLAM通过隐式地图表示学习相机姿态。由于采用此类约束，一个普遍现象导致相机运动估计呈现颤动且不符合物理的特征，这反过来影响地图质量。为解决当前NeRF-based SLAM的此缺陷，本文提出了TS-SLAM（TS即轨迹平滑），通过将轨迹表示为具有连续加速度的均匀三次B样条来引入轨迹平滑约束。凭借B样条的可微性和局部控制特性，TS-SLAM可在滑动窗口范式下端到端地增量学习控制点。此外，我们利用动力学先验进一步正则化相机轨迹。实验结果表明，TS-SLAM在轨迹精度方面优于不采用上述平滑约束的NeRF-based SLAM，并改进了映射质量。
引用
@article{arxiv.2410.08780,
title = {Optimizing NeRF-based SLAM with Trajectory Smoothness Constraints},
author = {Yicheng He and Guangcheng Chen and Hong Zhang},
journal= {arXiv preprint arXiv:2410.08780},
year = {2024}
}