论文标题:
NGM-SLAM: Gaussian Splatting SLAM with Radiance Field Submap
论文作者:
Mingrui Li, Jingwei Huang, Lei Sun Aaron, Xuxiang Tian, Tianchen Deng, Hongyu Wang
导读:
3DGS技术因其性能卓越而备受关注,3DGS-SLAM系统应运而生。然而,当前3DGS-SLAM系统通常在大场景表示、有效的闭环校正和场景泛化能力方面存在缺陷。为此,论文作者设计了NGM-SLAM,这是第一个利用神经辐射场子图用于渐进式场景表示的GS-SLAM系统,有效地结合了神经辐射场和3DGS的优势,实现了最先进的场景重建和跟踪性能。©️【深蓝AI】编译
1. 背景简介
长期以来,SLAM技术一直是机器人学与AR/VR领域的核心议题。密集SLAM系统因广泛的应用潜力而备受重视。传统密集SLAM系统利用体素、点云和TSDF等显式表示,在追踪方面表现出色,但受限于高保真建模、空缺填补及纹理细节的处理,其应用范围受到一定局限。神经隐式SLAM系统,基于NERF的隐式表示,显著增强了SLAM系统的感知能力,但依旧面临实时性、运行速度和内存需求的瓶颈。
近期,3DGS-SLAM系统在保持NERF-SLAM系统的建图精度同时,在渲染速度和精度上取得了突破,挑战了神经隐式 SLAM 在密集重建中的主导地位。然而,值得注意的是,与NERF相比,3DGS-SLAM系统依赖点云输入,在空缺填补能力上有所欠缺,且未充分利用神经网络的泛化能力。此外,它缺乏稳健的闭环检测机制,导致在大场景中累积漂移问题凸显,影响了地图的稳定性和准确性。
2. 方案提出
针对上述挑战,作者创新性地设计了融合神经子图与3DGS表示的SLAM体系。
首先,构建以神经辐射场为基础的子图与一个全局关键帧索引。当达到地图构建阈值时,基于前序子图作为先