RoDyn-SLAM：面向神经辐射场的鲁棒动态稠密 RGB-D SLAM
机器人学
2024-07-02 v1
摘要
利用神经隐式表示进行稠密 RGB-D SLAM 的方法在近年有所研究。然而，这种方法依赖静态环境假设，在动态环境中由于几何和光度不一致的观察而无法稳健工作。为解决动态环境中的挑战，我们提出一种新型的动态 SLAM 框架，集成神经辐射场。具体而言，我们引入一种运动掩码生成方法来过滤掉无效采样的光线。该设计有效地融合光流掩码和语义掩码，以提高运动掩码的精度。进一步为提高姿态估计的准确性，我们设计了一种分治姿态优化算法，将关键帧与非关键帧区分开来。我们提出的边缘错位损失可有效增强相邻帧之间的几何约束。我们在两个具有挑战性的数据集上进行了广泛实验，结果表明 RoDyn-SLAM 在最近的神经 RGB-D 方法的准确性和鲁棒性方面实现了最先进的性能。
关键词
引用
@article{arxiv.2407.01303,
title = {RoDyn-SLAM: Robust Dynamic Dense RGB-D SLAM with Neural Radiance Fields},
author = {Haochen Jiang and Yueming Xu and Kejie Li and Jianfeng Feng and Li Zhang},
journal= {arXiv preprint arXiv:2407.01303},
year = {2024}
}
备注
IEEE RAL 2024