以下內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

點(diǎn)擊領(lǐng)取學(xué)習(xí)資料 → 機(jī)器人SLAM學(xué)習(xí)資料大禮包

#論文# FMapping: Factorized Efficient Neural Field Mapping for Real-Time Dense RGB SLAM

論文地址：[2306.00579] FMapping: Factorized Efficient Neural...

作者單位：香港科技大學(xué)

開(kāi)源代碼：https://vlis2022.github.io/fmap/

?在本文中，我們介紹了 FMapping，這是一種高效的神經(jīng)場(chǎng)建圖框架，它有助于實(shí)時(shí)稠密 RGB SLAM 中彩色點(diǎn)云圖的連續(xù)估計(jì)。為了在沒(méi)有深度的情況下實(shí)現(xiàn)這個(gè)具有挑戰(zhàn)性的目標(biāo)，一個(gè)障礙是如何提高效率和減少RGB SLAM系統(tǒng)的建圖不確定性。為此，我們首先通過(guò)將 SLAM 系統(tǒng)分解為跟蹤和建圖部分來(lái)構(gòu)建理論分析，并在神經(jīng)表示框架內(nèi)明確定義建圖不確定性?；诜治?，我們提出了一種有效的場(chǎng)景表示分解方案，并引入滑動(dòng)窗口策略來(lái)減少場(chǎng)景重建的不確定性。 ?具體來(lái)說(shuō)，我們利用分解的神經(jīng)場(chǎng)將不確定性分解為低維空間，增強(qiáng)了對(duì)噪聲的魯棒性，提高了訓(xùn)練效率。然后，我們提出了滑動(dòng)窗口采樣器，通過(guò)在地圖初始化期間合并來(lái)自觀察幀的相干幾何線索來(lái)減少不確定性，以增強(qiáng)收斂。我們的分解神經(jīng)映射方法在建圖初始化過(guò)程中具有一定的優(yōu)勢(shì)，如內(nèi)存消耗低、計(jì)算效率更高、收斂速度快。在兩個(gè)基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)表明，我們的方法可以實(shí)時(shí)更新高保真彩色點(diǎn)云圖，同時(shí)不需要定制的CUDA內(nèi)核。此外，它利用的參數(shù)比以往SLAM方法最簡(jiǎn)潔的神經(jīng)隱式建圖少，例如iMAP和比最先進(jìn)的方法少約×1000的參數(shù)，例如NICE-SLAM。

以上內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容