CoMo3R-SLAM: 学習型3D再構成事前知識を用いた屋外マルチエージェント向け協調単眼高密度SLAM

- 屋外のマルチエージェントシステム向けの協調的単眼高密度SLAMシステム。 - 各エージェントが単眼RGBカメラのみで動作し、学習ベースのフィードフォワード3D再構成priorを活用。 - エージェントはprior-guided front-endでリアルタイム追跡と局所高密度fusionを実行。 - coordinatorがエージェント間のdense pointmap matching、閉形式Sim(3) gauge synchronization、GPU加速global bundle adjustmentとsegment-level depth optimizationを担当。 - depthセンサやパラメトリック内部パラメータを必要とせず、単眼RGBのみからグローバルに一貫したメトリックマップを生成。

- 既存の協調高密度SLAMはdepthセンサに依存し、ペイロード・電力・キャリブレーションコストが大きい。 - 単眼RGBは軽量だが、スケール曖昧性やエージェント間データ対応付けが困難で、特に屋外の低オーバーラップ・反復構造では従来の特徴マッチングが信頼できない。 - 本手法は初の協調単眼高密度RGB SLAMシステムであり、学習ベースのフィードフォワード3D再構成priorを活用して頑健な幾何情報を得る。 - depthセンサもパラメトリック内部パラメータも不要で、単眼RGBのみから頑健なエージェント間制約とグローバルに一貫したメトリックマップを生成。 - Tanks and TemplesとWaymoで、4シーン中3シーンで最高ATE、Waymoでも競争力のある精度を達成し、オンライン8 FPSでSOTA RGB-D手法に匹敵または凌駕。

- 各エージェントにprior-guided front-endを搭載し、リアルタイム追跡と局所高密度fusionを実行。 - coordinatorがdense pointmap matchingによりエージェント間検証を実施。 - 閉形式Sim(3) gauge synchronizationでエージェント間のスケール・座標系を整合。 - GPU加速global bundle adjustmentとsegment-level depth optimizationを実行。 - 学習ベースのフィードフォワード3D再構成priorを利用し、depthセンサやパラメトリック内部パラメータを必要としない。

- Tanks and TemplesとWaymoのシーケンスで評価。 - Tanks and Templesの4シーン中3シーンで最高ATEを達成。 - Waymoでも競争力のある精度を達成。 - SOTA RGB-D手法に匹敵または凌駕する性能を示し、オンライン8 FPSで動作。

- 要旨からは不明。

- Tanks and Temples、Waymo、および比較対象として言及されたstate-of-the-art RGB-D methods。 - 関連手法としてcollaborative dense SLAM、monocular dense SLAM、learned feed-forward 3D reconstruction priors。