[论文解读] 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 6

一句话总结

NeRF-LOAM 提出了一种用于大规模增量式激光雷达里程计与建图的新型神经隐式表示，通过联合优化神经符号距离函数（SDF）并分离地面/非地面点，有效抑制Z轴漂移并实现高保真度的3D网格重建。该方法在无需预训练的情况下实现了最先进的里程计与建图精度，在多样化户外环境中表现出良好的泛化能力，得益于动态体素嵌入与关键扫描优化。

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.

研究动机与目标

• 为解决在户外环境中缺乏用于大规模、增量式激光雷达里程计与建图的神经隐式方法的问题。
• 通过在神经SDF表示中分离地面与非地面激光点，提升Z轴精度并减少漂移，从而提高重建保真度。
• 通过联合优化姿态、体素嵌入与SDF，实现无需预训练即可在多样化大规模户外环境中良好泛化。
• 提出一种动态体素嵌入策略，支持快速、增量式处理，无需预分配或回环检测。
• 通过关键扫描优化实现姿态与地图的联合优化，提升地图质量与鲁棒性。

提出的方法

• 提出一种解耦地面与非地面点的神经符号距离函数（SDF），利用表面法线提升Z轴精度并减少漂移。
• 引入基于稀疏八叉树的体素嵌入系统，支持动态生成，实现无需预分配或内存爆炸的快速增量分配。
• 通过最小化激光扫描上SDF预测误差，联合优化神经SDF、体素嵌入与6-DOF姿态。
• 采用关键扫描对姿态与地图进行联合优化，减少灾难性遗忘，提升重建的平滑性与完整性。
• 使用神经隐式解码器从学习到的体素嵌入中重建连续SDF，支持密集、平滑的3D网格地图。
• 采用多阶段优化流程，交替进行姿态优化与SDF更新，确保收敛性与鲁棒性。

实验结果

研究问题

• RQ1 基于SDF的神经隐式表示是否能有效实现无需预训练的大规模增量式激光雷达里程计与建图？
• RQ2 在户外激光雷达SLAM中，分离地面与非地面点对Z轴漂移与重建质量有何影响？
• RQ3 关键扫描优化在增量式激光雷达建图中，对地图完整性和平滑性提升的幅度如何？
• RQ4 与固定或预分配的体素网格相比，动态体素嵌入策略在内存效率与可扩展性方面表现如何？
• RQ5 在无需领域特定微调的情况下，姿态与SDF的联合优化能否在多样化户外数据集上实现最先进性能？

主要发现

• NeRF-LOAM 在MaiCity数据集上实现了0.17 m的最先进绝对轨迹误差（ATE），在Newer College数据集上为0.15 m，优于先前基于学习与非学习的方法。
• 通过地面点分离，显著减少了Z轴漂移，姿态误差的RMSE从6.13 m降低至5.69 m，并消除了轨迹发散现象。
• 关键扫描优化使MaiCity数据集的映射F-score从48.78提升至77.26，Newer College数据集从61.10提升至74.37，表明在完整性和准确性方面有显著提升。
• 该方法在MaiCity上达到77.26的F-score，在Newer College上达到74.37，表明其在不同大规模户外环境中的强大泛化能力。
• 消融实验证实，地面点分离与关键扫描优化均不可或缺，后者显著减少了重建网格中的视觉伪影（如‘波纹’与孔洞）。
• 该方法无需预训练，且在不同数据集上泛化良好，包括基线方法失效的Newer College数据集，表明其具备强大的鲁棒性与适应能力。