[論文レビュー] Structure-SLAM: Low-Drift Monocular SLAM in Indoor Environments

Yanyan Li, Nikolas Brasch+3 more|arXiv (Cornell University)|Aug 5, 2020

Robotics and Sensor-Based Localization参考文献 34被引用数 5

ひとこと要約

本稿では、低テクスチャな屋内環境におけるドリフトを低減するため、回転と並進推定を分離することで、リアルタイムなモノクローラルSLAMシステム「Structure-SLAM」を提案する。RGB画像から畳み込みニューラルネットワーク（CNN）を用いて密度の高い表面法線を予測し、マンハッタンワールド仮説に基づき、直線と法線を用いた球面的平均シフトクラスタリングによりドリフトのない回転推定を実現する。並進推定には点特徴と直線特徴を組み合わせ、ICL-NUIMおよびTUM RGB-Dベンチマークで最先端の性能を達成し、非テクスチャなシーンでも優れた耐性を示す。

ABSTRACT

In this paper a low-drift monocular SLAM method is proposed targeting indoor scenarios, where monocular SLAM often fails due to the lack of textured surfaces. Our approach decouples rotation and translation estimation of the tracking process to reduce the long-term drift in indoor environments. In order to take full advantage of the available geometric information in the scene, surface normals are predicted by a convolutional neural network from each input RGB image in real-time. First, a drift-free rotation is estimated based on lines and surface normals using spherical mean-shift clustering, leveraging the weak Manhattan World assumption. Then translation is computed from point and line features. Finally, the estimated poses are refined with a map-to-frame optimization strategy. The proposed method outperforms the state of the art on common SLAM benchmarks such as ICL-NUIM and TUM RGB-D.

研究の動機と目的

• 低テクスチャな屋内環境で動作するモノクローラルSLAMシステムにおける長期的ドリフトの課題を解決すること。
• 従来の特徴ベース手法が点稀な場合やテクスチャが欠如する場合に失敗するような状況でも、ポーズ推定の耐性を向上させること。
• 特に表面法線と直線といった幾何的構造を活用することで、平面的で非テクスチャなシーンにおいても安定したトラッキングとマッピングを実現すること。
• 回転と並進推定を分離することで、特にテクスチャが乏しいシーンにおけるドリフト蓄積を最小限に抑えること。

提案手法

• リアルタイムで単一のRGB画像から密度の高い表面法線を予測するため、エンコーダ・デコーダ型の深層CNNを訓練する。
• マンハッタンワールド仮説に基づき、表面法線と直線特徴を球面的平均シフトクラスタリングに適用することで、グローバルに一貫したドリフトのない回転推定を実現する。
• 3自由度（3-DoF）推定フレームワークを用い、2次元点特徴と2次元直線セグメントを組み合わせて並進を推定する。
• スパースな点と直線の地図を用いたマップ・トゥ・フレーム最適化戦略により、初期ポーズ推定を精緻化する。
• 地図品質と計算効率を維持するため、特徴の可用性に基づいてキーフレームを選択する。
• 有効なマンハッタンフレームが検出されない場合には、点特徴と直線特徴にフォールバックすることで、初期化およびトラッキング中の耐性を確保する。

実験結果

リサーチクエスチョン

• RQ1 単一のRGB画像から予測された密度の高い表面法線は、低テクスチャな屋内環境におけるモノクローラルSLAMの性能向上に寄与するか？
• RQ2 予測された法線と直線特徴と組み合わせた場合、マンハッタンワールド仮説はドリフトのない回転推定を実現するのにどの程度有効か？
• RQ3 従来のアプローチと比較して、回転と並進推定を分離することで、モノクローラルSLAMにおける長期的ドリフトを低減できるか？
• RQ4 標準ベンチマークにおいて、本手法は最先端のモノクローラルSLAMシステムと比較して、耐性と精度の面で優れているか？

主な発見

• Structure-SLAMは、ICL-NUIMおよびTUM RGB-Dベンチマークにおいて、ORB-SLAMや他の最先端のモノクローラルSLAMシステムを上回り、特に低テクスチャなシーケンスで顕著な優位性を示す。
• 特に『of-kt3』や『lr-kt2』といった挑戦的なシーケンスでは、ORB-SLAMと比較して相対ポーズ誤差（RPE）の回転推定が顕著に低減されている。
• 『of-kt3』のような非テクスチャなシーンでは、ORB-SLAMは点特徴が不足しているために初期化に失敗したりトラッキングを失うが、Structure-SLAMはフレーム110付近で正常に初期化され、全フレームをトラッキングする。
• CNNで予測された法線の活用により、純粋な回転運動時でも、従来の基礎行列や本質行列に依存する手法が失敗する状況でも、安定した回転推定が可能になる。
• マンハッタンワールド仮説によるグローバルな整合性のおかげで、通路のコーナーなど環境の急激な変化が生じる領域でも、優れたトラッキング安定性を示す。
• 学習された法線と幾何的特徴の組み合わせにより、点特徴のみに依存する手法や深度センサーに依存する手法と比較して、より一貫性があり正確なトラジェクトリ推定が実現される。