[論文レビュー] VOLDOR-SLAM: For the Times When Feature-Based or Direct Methods Are Not Good Enough

Zhixiang Min, Enrique Dunn|arXiv (Cornell University)|Apr 14, 2021

Robotics and Sensor-Based Localization参考文献 37被引用数 6

ひとこと要約

VOLDOR+SLAM は、特徴ベースまたは直接法が失敗するような困難な環境において、ロバストで正確かつグローバルに一貫性のある 3D マップ作成を可能にする密度的・間接的 SLAM システムである。VOLDOR 確率的ビジョウス・オドメトリフレームワークに幾何的事前知識、適応的ポーズグラフ管理、およびポイント・トゥ・プレーンの逆深度整合を組み合わせることで、単一の GPU で約 15 FPS のリアルタイム性能を達成し、モノクローラル、ステレオ、RGB-D 入力のあらゆる状況で ORB-SLAM3 や DSO を上回る正確性とロバスト性を実現した。

ABSTRACT

We present a dense-indirect SLAM system using external dense optical flows as input. We extend the recent probabilistic visual odometry model VOLDOR [Min et al. CVPR'20], by incorporating the use of geometric priors to 1) robustly bootstrap estimation from monocular capture, while 2) seamlessly supporting stereo and/or RGB-D input imagery. Our customized back-end tightly couples our intermediate geometric estimates with an adaptive priority scheme managing the connectivity of an incremental pose graph. We leverage recent advances in dense optical flow methods to achieve accurate and robust camera pose estimates, while constructing fine-grain globally-consistent dense environmental maps. Our open source implementation [https://github.com/htkseason/VOLDOR] operates online at around 15 FPS on a single GTX1080Ti GPU.

研究の動機と目的

• 特徴ベースおよび直接法の低テクスチャ、動的、退化した環境における限界を解消すること。
• VOLDOR推論フレームワークに幾何的事前知識を組み込むことで、モノクローラル SLAM のロバスト性を向上させること。
• 密度的オプティカルフローを入力として用いることで、リアルタイムでグローバルに一貫性のある密度的マッピングシステムを構築すること。
• 幾何的整合性と接続性に基づいてキーフレームを動的にリンクする適応的プライオリティリンク方式を用いて、インクリメンタル SLAM のポーズグラフ管理を改善すること。
• スパarsity 特徴や光度キャリブレーションに依存せずに、高精度な深度推定と 3D 再構築を実現すること。

提案手法

• モノクローラル、ステレオ、RGB-D 環境におけるロバスト性向上を目的に、VOLDOR 確率的ビジョウス・オドメトリモデルに明示的な幾何的事前知識を組み込む。
• ソースに依存しないフレーム登録を実現するため、ポイント・トゥ・プレーンの逆深度整合定式化を採用し、ポーズ推定の正確性を向上させる。
• 幾何的整合性と接続性に基づいてキーフレームを動的にリンクする適応的プライオリティスキームを導入し、インクリメンタルなポーズグラフ管理を実現する。
• 事前学習済みネットワーク（例：MaskFlowNet）からの密度的オプティカルフローを入力として用い、特徴抽出を回避し、密度的な幾何的推論を可能にする。
• オプティカルフローのバッチにログ・ロジスティック残差モデルを適用し、リアルタイムにカメラ運動、3D 構造、トラッキング信頼性を同時に推定する。
• キーフレームからの深度マップを確率的統合戦略で集約することで、グローバルに一貫性のある密度的 3D マップを構築する。

実験結果

リサーチクエスチョン

• RQ1 特徴ベース手法が失敗する環境において、密度的オプティカルフローを効果的に活用してモノクローラル SLAM を実現できるか？
• RQ2 幾何的事前知識を密度的・間接的 SLAM パipelaineに統合することで、モノクローラル、ステレオ、RGB-D 入力のあらゆる状況で正確性とロバスト性を向上させられるか？
• RQ3 適応的ポーズグラフ管理戦略が、密度的 SLAM システムの整合性とスケーラビリティに与える影響は何か？
• RQ4 写真的でリアルな合成環境において、密度的・間接的手法が従来の特徴ベースおよび直接法をどの程度上回れるか？
• RQ5 さまざまな信頼度しきい値および環境条件下で、VOLDOR+SLAM の深度マップの品質は、最先端手法と比べてどの程度優れているか？

主な発見

• TartanAir データセットの全シーケンスにおいて、VOLDOR+SLAM は ORB-SLAM3 や DSO を上回る最高のポーズ正確性を達成した。特に『ocean』や『seasonsforest』のような低テクスチャおよび動的環境で顕著な優位性を示した。
• 多様な環境においても高い完全性（0.95 以上）を維持しており、急激な運動やテクスチャが乏しい状況でもトラッキングのロバスト性が保証されていることを示している。
• モノクローラル入力の場合、VOLDOR+SLAM はすべてのベースラインの中で最高の回転正確性を達成し、『ocean』シーケンスで中央値回転誤差 0.88° を記録した。
• VOLDOR+SLAM が生成する深度マップでは、約 50% のピクセルが信頼度スコア 0.99 以上を示しており、インライア率および EPE において GA-Net や MaskFlowNet を顕著に上回った。
• ステレオ入力はモノクローラル入力と比較して深度正確性にわずかな向上しかもたらさないため、システムの深度推定性能はモノクローラルシーケンスからもすでに極めて効果的であることが示唆された。
• 定性的な結果から、動きのある物体や動的な照明を伴う複雑なシーンにおいても、細部まで精細でグローバルに一貫性のある 3D 再構築と最小限のドリフトを実現していることが確認された。