[論文レビュー] NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental LiDAR Odometry and Mapping

Junyuan Deng, Xieyuanli Chen+5 more|arXiv (Cornell University)|Mar 19, 2023

Robotics and Sensor-Based Localization被引用数 6

ひとこと要約

NeRF-LOAM は、地面/非地面点の分離を用いた神経陰性距離関数（SDF）の共同最適化により、大規模でインクリメンタルなLiDARオドメトリとマッピングのための新しい神経陰性表現を提案する。これによりZ軸のずれが抑制され、高精細な3Dメッシュ再構築が可能となる。動的ボクセル埋め込みとキースキャンの最適化を用いることで、事前学習を必要とせず、多様な屋外環境に広く一般化可能な、最先端のオドメトリとマッピング精度を達成する。

ABSTRACT

Simultaneously odometry and mapping using LiDAR data is an important task for mobile systems to achieve full autonomy in large-scale environments. However, most existing LiDAR-based methods prioritize tracking quality over reconstruction quality. Although the recently developed neural radiance fields (NeRF) have shown promising advances in implicit reconstruction for indoor environments, the problem of simultaneous odometry and mapping for large-scale scenarios using incremental LiDAR data remains unexplored. To bridge this gap, in this paper, we propose a novel NeRF-based LiDAR odometry and mapping approach, NeRF-LOAM, consisting of three modules neural odometry, neural mapping, and mesh reconstruction. All these modules utilize our proposed neural signed distance function, which separates LiDAR points into ground and non-ground points to reduce Z-axis drift, optimizes odometry and voxel embeddings concurrently, and in the end generates dense smooth mesh maps of the environment. Moreover, this joint optimization allows our NeRF-LOAM to be pre-trained free and exhibit strong generalization abilities when applied to different environments. Extensive evaluations on three publicly available datasets demonstrate that our approach achieves state-of-the-art odometry and mapping performance, as well as a strong generalization in large-scale environments utilizing LiDAR data. Furthermore, we perform multiple ablation studies to validate the effectiveness of our network design. The implementation of our approach will be made available at https://github.com/JunyuanDeng/NeRF-LOAM.

研究の動機と目的

• 屋外環境における大規模でインクリメンタルなLiDARオドメトリとマッピングのための神経陰性手法の不足を解消すること。
• 神経SDF表現における地面と非地面点の分離により、再構築の忠実性を向上させ、Z軸のずれを低減すること。
• ポーズ、ボクセル埋め込み、SDFの共同最適化を通じて、ドメイン特化のファインチューニングなしに多様な大規模屋外環境に一般化可能な、事前学習不要の一般化を実現すること。
• 事前割り当てやループクロージャーを必要とせず、インクリメンタル処理を高速に実現する動的ボクセル埋め込み戦略の開発。
• キースキャンの最適化を用いて、ポーズとマップの共同最適化により、マップ品質と耐障害性を向上させること。

提案手法

• 地面と非地面点を分離する神経符号距離関数（SDF）を提案し、表面法線を活用することでZ軸の精度を向上させ、ずれを低減する。
• 動的生成を可能にするスパarsなオクトリー基盤のボクセル埋め込みシステムを導入し、事前割り当てやメモリの爆発を回避した高速かつインクリメンタルな割り当てを実現する。
• LiDARスキャン上のSDF予測誤差を最小化することで、神経SDF、ボクセル埋め込み、6自由度ポーズの共同最適化を実行する。
• キースキャンを用いてポーズとマップの共同最適化を実施し、壊滅的忘却を低減し、再構築の滑らかさと完全性を向上させる。
• 神経陰性デコーダーを用いて学習済みボクセル埋め込みから連続的なSDFを再構築し、高密度で滑らかな3Dメッシュマップを実現する。
• ポーズの最適化とSDFの更新を交互に実行するマルチステージ最適化パイプラインを適用し、収束性と耐障害性を確保する。

実験結果

リサーチクエスチョン

• RQ1 SDFに基づく神経陰性表現は、事前学習を必要とせず、大規模でインクリメンタルなLiDARオドメトリとマッピングを効果的に可能にするか？
• RQ2 地面と非地面点の分離は、屋外LiDAR SLAMにおけるZ軸のずれと再構築品質にどのように影響するか？
• RQ3 キースキャンの最適化は、インクリメンタルLiDARマッピングにおけるマップの完全性と滑らかさをどの程度向上させるか？
• RQ4 固定または事前割り当てされたボクセルグリッドと比較して、動的ボクセル埋め込み戦略はメモリ効率性とスケーラビリティにおいてどのように優れるか？
• RQ5 ポーズとSDFの共同最適化は、ドメイン特化のファインチューニングなしに、多様な屋外データセットで最先端の性能を達成できるか？

主な発見

• NeRF-LOAM は、MaiCity データセットで 0.17 m、Newer College データセットで 0.15 m の最先端の絶対軌道誤差（ATE）を達成し、先行する学習ベースおよび非学習ベースの手法を上回る。
• 地面分離によりZ軸のずれが顕著に低減され、ポーズ誤差のRMSEが 5.69 m（分離なしでは 6.13 m）に低下し、軌道の発散を完全に解消した。
• キースキャンの最適化により、MaiCity ではマッピングFスコアが 48.78 から 77.26 に、Newer College では 61.10 から 74.37 に向上し、完全性と正確性の顕著な向上が確認された。
• MaiCity で 77.26、Newer College で 74.37 のFスコアを達成し、異なる大規模屋外環境に強く一般化していることが示された。
• アブレーションスタディにより、地面分離とキースキャンの最適化の両方が不可欠であることが確認され、特に後者は再構築メッシュにおける「リップル」や穴といった視覚的アーチファクトを低減した。
• 本手法は事前学習を不要とし、Newer College においてベースライン手法が失敗する環境でも良好に一般化しており、強力な耐障害性と適応性を示している。