SLAM2025/10/1arXiv:2510.06216

深度センサーなしでRGB-D精度を実現する単眼SLAM

Dropping the D: RGB-D SLAM Without the Depth Sensor

単眼深度推定・キーポイント検出・インスタンスセグメンテーションの事前学習モデルを組み合わせ、深度センサーなしでRGB-Dレベルの精度をリアルタイムに達成するSLAMシステムを提案。

詳しい要約

1. どんなもの？

- 単眼カメラのみでRGB-D相当の精度を目指すリアルタイムSLAMシステム「DropD-SLAM」 - 深度センサーを使わず、RGB-D SLAMのバックエンドをそのまま流用 - 単眼のmetric depth estimator、学習済みkeypoint detector、instance segmentation networkの3つのpretrained vision moduleで能動深度入力を代替 - 動的物体を抑制しつつ静的keypointに予測深度を付与して3Dに逆投影し、metric scaleを持つ特徴量を生成

2. 先行研究と比べてどこがすごい？

- 従来のRGB-D SLAMは深度センサーを前提とし、コストや環境制約があった - 本研究は深度センサーなしでRGB-Dレベルの精度を達成する点が新しい - TUM RGB-D benchmarkで静的系列7.4 cm、動的系列1.8 cmのmean ATEを達成し、state-of-the-artのRGB-D手法に匹敵または上回る - 単一GPUで22 FPSのリアルタイム動作を実現

3. 技術・手法の肝は？

- 3つのpretrained vision moduleを組み合わせる - monocular metric depth estimatorでmetric depthを予測 - 学習済みkeypoint detectorで特徴点を検出 - instance segmentation networkで動的物体を検出し、dilated instance maskで動的物体を抑制 - 静的keypointに予測深度を割り当てて3Dにbackprojectし、metric scaleの特徴量を構成 - これらを未改変のRGB-D SLAMバックエンドに渡してtrackingとmappingを実行

4. どうやって有効だと検証した？

- TUM RGB-D benchmarkで評価 - 静的系列でmean ATE 7.4 cm、動的系列で1.8 cmを達成 - state-of-the-artのRGB-D手法と比較して同等以上であることを示す - 単一GPU上で22 FPSのリアルタイム性能を確認

5. 議論はある？

- 最新のpretrained vision modelが能動深度センサーの代替として信頼できるリアルタイムのmetric scale源になり得ることを示唆 - よりシンプルで低コストなSLAMシステムへの一歩と位置づけ - 具体的な限界や失敗ケース、各モジュールの誤差影響については要旨からは不明

6. 次に読むべき論文は？

- TUM RGB-D benchmarkを用いたRGB-D SLAMの代表的手法（ORB-SLAM2など） - monocular metric depth estimationの代表的手法（MiDaSやMetric3Dなど） - 学習済みkeypoint detector（SuperPointなど） - instance segmentation network（Mask R-CNNなど） - 動的環境向けRGB-D SLAM（DynaSLAMなど）

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Mert Kiray, Alican Karaomer, Benjamin Busam

分類: cs.CV, cs.RO

原文アブストラクト

We present DropD-SLAM, a real-time monocular SLAM system that achieves RGB-D-level accuracy without relying on depth sensors. The system replaces active depth input with three pretrained vision modules: a monocular metric depth estimator, a learned keypoint detector, and an instance segmentation network. Dynamic objects are suppressed using dilated instance masks, while static keypoints are assigned predicted depth values and backprojected into 3D to form metrically scaled features. These are processed by an unmodified RGB-D SLAM back end for tracking and mapping. On the TUM RGB-D benchmark, DropD-SLAM attains 7.4 cm mean ATE on static sequences and 1.8 cm on dynamic sequences, matching or surpassing state-of-the-art RGB-D methods while operating at 22 FPS on a single GPU. These results suggest that modern pretrained vision models can replace active depth sensors as reliable, real-time sources of metric scale, marking a step toward simpler and more cost-effective SLAM systems.

arXivで原文を読む →arXiv概要ページ

深度センサーなしでRGB-D精度を実現する単眼SLAM

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

MINISFORUM（ミニPC）

双腕モバイルマニピュレーター OpenShell