香港科技大学开源：实时稠密RGB SLAM的高效NeRF建图

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文# FMapping: Factorized Efficient Neural Field Mapping for Real-Time Dense RGB SLAM

论文地址：[2306.00579] FMapping: Factorized Efficient Neural...

作者单位：香港科技大学

开源代码：https://vlis2022.github.io/fmap/

 在本文中，我们介绍了 FMapping，这是一种高效的神经场建图框架，它有助于实时稠密 RGB SLAM 中彩色点云图的连续估计。为了在没有深度的情况下实现这个具有挑战性的目标，一个障碍是如何提高效率和减少RGB SLAM系统的建图不确定性。为此，我们首先通过将 SLAM 系统分解为跟踪和建图部分来构建理论分析，并在神经表示框架内明确定义建图不确定性。基于分析，我们提出了一种有效的场景表示分解方案，并引入滑动窗口策略来减少场景重建的不确定性。  具体来说，我们利用分解的神经场将不确定性分解为低维空间，增强了对噪声的鲁棒性，提高了训练效率。然后，我们提出了滑动窗口采样器，通过在地图初始化期间合并来自观察帧的相干几何线索来减少不确定性，以增强收敛。我们的分解神经映射方法在建图初始化过程中具有一定的优势，如内存消耗低、计算效率更高、收敛速度快。在两个基准数据集上的实验表明，我们的方法可以实时更新高保真彩色点云图，同时不需要定制的CUDA内核。此外，它利用的参数比以往SLAM方法最简洁的神经隐式建图少，例如iMAP和比最先进的方法少约×1000的参数，例如NICE-SLAM。

以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容