[논문 리뷰] FastLoop: Parallel Loop Closing with GPU-Acceleration in Visual SLAM

Soudabeh Mohammadhashemi, Shishir Gopinath외 4명|arXiv (Cornell University)|2026. 03. 17.

Robotics and Sensor-Based Localization인용 수 0

한 줄 요약

FastLoop는 작업 수준 및 데이터 수준 병렬성을 적용하여 ORB-SLAM3의 루프 클로징 모듈을 GPU로 가속하고, EuRoC 및 TUM-VI에서 주목할 만한 속도 향상을 달성하는 동시에 궤적 정확도를 유지합니다.

ABSTRACT

Visual SLAM systems combine visual tracking with global loop closure to maintain a consistent map and accurate localization. Loop closure is a computationally expensive process as we need to search across the whole map for matches. This paper presents FastLoop, a GPU-accelerated loop closing module to alleviate this computational complexity. We identify key performance bottlenecks in the loop closing pipeline of visual SLAM and address them through parallel optimizations on the GPU. Specifically, we use task-level and data-level parallelism and integrate a GPU-accelerated pose graph optimization. Our implementation is built on top of ORB-SLAM3 and leverages CUDA for GPU programming. Experimental results show that FastLoop achieves an average speedup of 1.4x and 1.3x on the EuRoC dataset and 3.0x and 2.4x on the TUM-VI dataset for the loop closing module on desktop and embedded platforms, respectively, while maintaining the accuracy of the original system.

연구 동기 및 목표

• 시각 SLAM에서 루프 클로저의 높은 계산 비용에 대한 동기 부여와 해결.
• 병렬성을 활용하고 CPU-GPU 전송을 줄이기 위해 루프 클로징 아키텍처를 재설계합니다.
• GPU-가속 포즈 그래프 최적화를 통합하여 글로벌 일관성 보정 속도를 높입니다.
• 표준 SLAM 벤치마크를 사용하여 데스크톱 및 임베디드 플랫폼에서 성능 및 정확도 향상을 평가합니다.

제안 방법

• 루프 클로징 파이프라인에서 작업 수준 및 데이터 수준 병렬성을 식별합니다.
• Projection Search 작업을 GPU에서 동시 실행되도록 이동시켜 독립성을 활용합니다.
• 데이터가 많은 구성 요소들(Single Projection Search, Triple Projection Search, Loop Fusion)을 GPU에서 병렬화합니다.
• GPU 메모리에서 키프레임을 상주시키고 데이터 전송을 최소화하며 여러 커널에 대해 메모리 레이아웃을 재사용합니다.
• CPU 기반 포즈 그래프 최적화를 GPU-가속 Graphite 라이브러리로 대체하고 Jacobians에 자동 미분을 사용합니다.
• 전송 오버헤드를 최소화하기 위해 경량 데이터 래퍼와 함께 CUDA를 사용하고 빠른 호스트-디바이스 전송을 위한 핀 메모리를 활용합니다.

실험 결과

연구 질문

• RQ1 다른 데이터세트와 하드웨어에서 GPU로 가속될 때 루프 클로징 모듈에서 얼마나 큰 속도향상을 얻을 수 있습니까?
• RQ2 루프 클로징의 GPU 가속이 기준 ORB-SLAM3에 비해 로컬라이제이션 정확도를 유지하거나 개선합니까?
• RQ3 루프 클로징 파이프라인의 어떤 구성 요소가 병렬화로 가장 큰 이점을 얻으며, 지도 크기(포즈/에지)에 따라 성능은 어떻게 확장됩니까?
• RQ4 루프 클로저를 GPU로 오프로드할 때의 실용적인 데이터 전송 및 메모리 관리 고려사항은 무엇입니까?

주요 결과

• FastLoop는 데스크톱 및 임베디드 플랫폼에서 루프 클로징 모듈의 평균 속도향상을 각각 1.4x(EuRoC) 및 3.0x–3.7x(TUM-VI) 달성합니다.
• Loop Fusion 및 Graph Optimization이 가장 큰 이익을 제공하며, 그래프 크기가 커질수록 상당한 개선이 나타납니다.
• Graph optimization on the GPU yields up to 4.0x speedup on TUM-VI and shows speedups growing with more poses and edges.
• The trajectory accuracy (ATE RMSE) remains comparable to ORB-SLAM3 across evaluated sequences.
• GPU-based keyframe storage and minimized CPU-GPU data transfers reduce transfer overhead and enable efficient GPU utilization.
• Some sequences with small graphs show limited or no speedup due to transfer overhead dominating computation.