qq_35831906的博客

《iSDF: Real-Time Neural Signed Distance Fields for Robot Perception》论文提出了一种实时神经签名距离场（SDF）重建的方法，该方法在多个方面表现优异。然而，仍有一些潜在的改进空间：

本文提出了DUSt3R，一种无需相机校准或视点位置信息即可处理任意图像集合的密集、无约束立体3D重建的全新范式。我们将成对重建问题视为点图的回归，放宽了传统投影相机模型的硬约束。这种方法统一了单目和双目重建案例。在提供多于两张图像的情况下，我们进一步提出了一种简单但有效的全局对齐策略，将所有成对点图表达在一个共同的参考框架中。我们基于标准Transformer编码器和解码器的网络架构，利用强大的预训练模型。

SemExp探讨了目标导航问题，涉及在未知环境中导航到给定对象类别的实例。端到端的基于学习的导航方法在这项任务中面临困难，因为它们在探索和长期规划方面效果不佳。我们提出了一种模块化系统，名为“目标导向语义探索”，它构建一个情景语义地图并利用它根据目标对象类别高效地探索环境。视觉上逼真的仿真环境中的实证结果显示，所提出的模型在多个基准测试中表现优异，包括端到端学习方法以及基于模块地图的方法，并且在CVPR-2020 Habitat ObjectNav挑战赛的获胜。

CP-SLAM系统支持单一智能体和多智能体模式。因此，我们在两个方面评估了我们提出的协作SLAM系统，即带有闭环的单一智能体实验和包含不同大小和复杂性的两个智能体实验。对于单一智能体方面，我们基于Replica [35]场景生成数据集，然后将我们的方法与最近的神经和传统RGB-D SLAM方法进行比较。对于两个智能体方面，由于迄今为止还没有出现协作神经SLAM工作，我们的方法与传统方法进行比较。我们还进行了消融研究，以展示所提出系统中各模块的重要性。

基于隐式神经网络的协同SLAM系统，包括完整的前端和后端模块，包括里程计、循环检测、子地图融合和全局优化。为了在一个统一的框架中实现所有这些模块，文章提出了一种新颖的基于神经网络的三维场景表示方法，其中每个点维护一个可学习的神经特征用于场景编码，并与特定的关键帧相关联。此外，我们提出了一种分布式到集中式的学习策略，用于协同隐式SLAM，以提高一致性和合作。还提出了一种新颖的全局优化框架，类似于传统的捆绑调整，以提高系统的准确性。

是一篇来自机器人顶刊T-RO的文章。在本文中，我们提出了一个综合的ObjectSLAM框架，专注于基于Object的感知和面向Object的机器人任务。