一種基于RGB-D圖像序列的協(xié)同隱式神經(jīng)同步定位與建圖(SLAM)系統(tǒng)

2. 摘要

提出了一種基于RGB-D圖像序列的協(xié)同隱式神經(jīng)同步定位與建圖(SLAM)系統(tǒng)，該系統(tǒng)由完整的前端和后端模塊組成，包括里程計(jì)、回環(huán)檢測(cè)、子圖融合和全局優(yōu)化。為了在一個(gè)統(tǒng)一的框架中啟用所有這些模塊，我們提出了一種新的基于神經(jīng)點(diǎn)的3D場景表示，其中每個(gè)點(diǎn)都保持用于場景編碼的可學(xué)習(xí)神經(jīng)特征，并且與某個(gè)關(guān)鍵幀相關(guān)聯(lián)。此外，還提出了一種從分布式到集中式的協(xié)作隱式SLAM學(xué)習(xí)策略，以提高一致性和協(xié)調(diào)性。與傳統(tǒng)的光束法平差一樣，本文還提出了一種新的全局優(yōu)化框架來提高系統(tǒng)精度。在不同數(shù)據(jù)集上的實(shí)驗(yàn)證明了該方法在相機(jī)跟蹤和建圖方面的優(yōu)越性。

3. 算法解析

重新理一下思路，NeRF SLAM為啥火？

因?yàn)镹eRF和SLAM可以相互輔助，SLAM為NeRF訓(xùn)練提供位姿，NeRF可以重建高清晰度的地圖、做空洞補(bǔ)全、或者用光度損失反過來優(yōu)化位姿。

有什么問題？

個(gè)人感覺現(xiàn)在NeRF SLAM有兩個(gè)問題，一個(gè)是計(jì)算量大難以落地，一個(gè)是因?yàn)樽霾涣嘶丨h(huán)和全局優(yōu)化導(dǎo)致定位精度低。

CP-SLAM的核心思想是什么？

傳統(tǒng)的NeRF地圖不好做回環(huán)和優(yōu)化，但是改成基于點(diǎn)的NeRF地圖，就可以像傳統(tǒng)SLAM那樣去優(yōu)化了！

具體是如何實(shí)現(xiàn)的？

CP-SLAM本身是一個(gè)多機(jī)協(xié)同SLAM，輸入是RGB-D數(shù)據(jù)流，每個(gè)SLAM系統(tǒng)分別執(zhí)行跟蹤和建圖，最后執(zhí)行子地圖融合。每個(gè)SLAM系統(tǒng)都維護(hù)一個(gè)神經(jīng)點(diǎn)輻射場，借助3個(gè)MLP（特征融合、顏色場、占用場）來渲染深度圖和顏色圖。通過計(jì)算光度和幾何損失來優(yōu)化輻射場和相機(jī)位姿。同時(shí)每個(gè)單獨(dú)的SLAM不斷地用NetVLAD提取關(guān)鍵幀描述子，并發(fā)送到描述子池（有點(diǎn)像ORB-SLAM的關(guān)鍵幀數(shù)據(jù)庫），中央服務(wù)器檢測(cè)到回環(huán)以后融合子地圖，并執(zhí)行全局BA。最后再做一個(gè)以關(guān)鍵幀為中心的地圖優(yōu)化。

下面來逐個(gè)聊聊每個(gè)子模塊的具體原理。

這個(gè)神經(jīng)點(diǎn)是啥？

神經(jīng)點(diǎn)輻射場來源于CVPR 2022 oral的文章Point-NeRF，用神經(jīng)點(diǎn)表示三維場景。其實(shí)就是讓空間中的點(diǎn)同時(shí)存儲(chǔ)位置信息（xyz）和局部場景信息（單層CNN提取的神經(jīng)特征向量，CP-SLAM里是32維），原始Point-NeRF的神經(jīng)點(diǎn)里還存儲(chǔ)了[0, 1]范圍的置信度，表示這個(gè)點(diǎn)有多大概率離真實(shí)物體很近。

當(dāng)然，使用神經(jīng)點(diǎn)輻射場也有優(yōu)點(diǎn)有缺點(diǎn)：

優(yōu)點(diǎn)：執(zhí)行回環(huán)檢測(cè)和BA優(yōu)化時(shí)，3D點(diǎn)比原始NeRF場景更好調(diào)整，所以就很容易引入回環(huán)和局部地圖優(yōu)化。

缺點(diǎn)：由于神經(jīng)點(diǎn)分布在觀察對(duì)象的表面周圍，因此未見區(qū)域的空洞填補(bǔ)能力弱于特征網(wǎng)格方法。

位姿跟蹤和NeRF建圖如何進(jìn)行？

輻射場采樣上也用到了一個(gè)trick，就是盡量讓采樣點(diǎn)貼近物體表面。對(duì)于深度有效的點(diǎn)，分別從[0.95D, 1.05D]和[0.95Dmin, 1.05Dmax]區(qū)間內(nèi)均勻采樣，D表示點(diǎn)的深度值，Dmin和Dmax表示整個(gè)深度圖的最小最大深度。

對(duì)每個(gè)采樣點(diǎn)xi，首先檢索它半徑r范圍內(nèi)的K個(gè)鄰域點(diǎn)，用一個(gè)MLP（框圖中的C）分別處理這K個(gè)點(diǎn)，使每個(gè)點(diǎn)的特征向量都融合了跟采樣點(diǎn)的距離信息（對(duì)應(yīng)f~k,x~）：

再用一個(gè)MLP（框圖中的U）來學(xué)習(xí)采樣點(diǎn)xi的RGB信息，這里就需要用到上一步K個(gè)點(diǎn)的特征向量了：

最后還需要用一個(gè)MLP（框圖中的G）來學(xué)習(xí)采樣點(diǎn)xi的占用概率，這里還是用到上上步計(jì)算的K個(gè)特征向量，當(dāng)然如果沒有鄰域點(diǎn)那占用肯定就是0了：

這兩步預(yù)測(cè)的占用和顏色信息實(shí)際上表示了射線中止的概率α，再加上深度值z(mì)就可以渲染得到當(dāng)前視角的深度圖和RGB圖：

然后就可以使用深度圖和RGB圖計(jì)算幾何損失和光度損失來優(yōu)化位姿、點(diǎn)特征向量、還有3個(gè)MLP：

這里還有幾個(gè)需要注意的點(diǎn)：

1、整個(gè)序列的第一幀需要采樣很多的點(diǎn)來初始化，優(yōu)化步驟達(dá)到3000～5000次；

2、位姿表示成四元數(shù)和平移格式，當(dāng)前幀位姿的初始值設(shè)置為上一幀的位姿，優(yōu)化時(shí)要固定神經(jīng)特征向量和3個(gè)MLP權(quán)重；

3、優(yōu)化位姿沒有用到光度損失，作者認(rèn)為RGB圖是一個(gè)高度非凸問題。

基于學(xué)習(xí)的回環(huán)檢測(cè)如何實(shí)現(xiàn)？

這部分主要是用于融合多個(gè)SLAM系統(tǒng)分別建立的子地圖，并減少位姿的累計(jì)漂移。首先對(duì)每個(gè)關(guān)鍵幀用預(yù)訓(xùn)練的NetVLAD提取描述子，并把描述子扔到池子里（類似ORB-SLAM的關(guān)鍵幀數(shù)據(jù)庫），然后用余弦相似性來檢測(cè)回環(huán)。

局部優(yōu)化很吃初值，如果兩幀運(yùn)動(dòng)太快的話，就很容易陷入局部最優(yōu)，所以CP-SLAM采用了一個(gè)由粗到精的回環(huán)檢測(cè)策略。如果相似性超過λfine的話直接執(zhí)行回環(huán)優(yōu)化和子地圖融合，如果低于λfine但高于λcoarse的話就只做一個(gè)位姿圖優(yōu)化。當(dāng)然子地圖融合之后肯定有大量的冗余點(diǎn)，還需要做一步非極大值抑制（網(wǎng)格過濾）。

SLAM協(xié)同如何實(shí)現(xiàn)？

CP-SLAM本身就是一個(gè)協(xié)同SLAM，協(xié)同部分是設(shè)計(jì)了一個(gè)兩階段（從分布式到集中式）的MLP訓(xùn)練策略，來提高協(xié)作一致性。分布式階段就是每個(gè)SLAM單獨(dú)做跟蹤和優(yōu)化，執(zhí)行回環(huán)和子地圖融合以后就進(jìn)入集中式階段，注意集中式階段需要一個(gè)中心服務(wù)器來做子圖和優(yōu)化的全局管理。

這個(gè)階段用的是聯(lián)合學(xué)習(xí)，也就是以共享的方式訓(xùn)練單個(gè)網(wǎng)絡(luò)。在子地圖融合的同時(shí)，對(duì)每組MLP進(jìn)行平均處理，并對(duì)所有關(guān)鍵幀上的平均MLP進(jìn)行微調(diào)，隨后將共享MLP轉(zhuǎn)移到每個(gè)SLAM做訓(xùn)練，并且平均每個(gè)SLAM權(quán)重作為共享MLP的最終優(yōu)化結(jié)果。

最后簡單說一下位姿圖優(yōu)化

這個(gè)模塊分為兩部分，一部分是維護(hù)子地圖的共視圖，一部分是是基于幀的地圖優(yōu)化。在執(zhí)行子地圖融合后做全局優(yōu)化，位姿圖中每幀的位姿是頂點(diǎn)，序列相對(duì)位姿和回環(huán)相對(duì)位姿是邊，優(yōu)化還是用的L-M算法。

為了方便優(yōu)化3D點(diǎn)云位置，作者還做了一個(gè)trick：每個(gè)3D點(diǎn)都與一個(gè)關(guān)鍵幀相關(guān)聯(lián)。

4. 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)這一塊分別對(duì)比了單機(jī)SLAM和協(xié)作SLAM模式，單機(jī)SLAM對(duì)比在Replica數(shù)據(jù)集進(jìn)行，對(duì)比傳統(tǒng)SLAM（ORB-SLAM3）和NeRF SLAM（NICE-SLAM和Vox-Fusion），協(xié)同SLAM對(duì)比的傳統(tǒng)SLAM方案（CCM-SLAM、Swarm-SLAM、ORB-SLAM3）。CP-SLAM的運(yùn)行環(huán)境是一塊3090，如果需要做協(xié)同的話，就再需要一塊3090做為中心服務(wù)器。

雙機(jī)協(xié)作精度的定量對(duì)比，注意ORB-SLAM3本身不是協(xié)作SLAM，所以作者的實(shí)驗(yàn)方法是融合數(shù)據(jù)集，然后用ORB-SLAM3的多地圖系統(tǒng)來執(zhí)行地圖融合。

4個(gè)場景上CP-SLAM和CCM-SLAM的協(xié)作實(shí)驗(yàn)軌跡對(duì)比，可以發(fā)現(xiàn)CP-SLAM的地圖融合效果還是比較好的。

單機(jī)SLAM的精度對(duì)比，這個(gè)就說明CP-SLAM的精度超越ORB-SLAM3了。當(dāng)然如果不加入回環(huán)的話，CP-SLAM精度還是不夠，這一點(diǎn)上說明限制NeRF SLAM精度提升的關(guān)鍵就在局部地圖優(yōu)化和回環(huán)優(yōu)化。

單機(jī)SLAM軌跡的定性對(duì)比，對(duì)比的NICE-SLAM和Vox-Fusion這兩個(gè)NeRF SLAM方案，沒有對(duì)比ORB-SLAM3。

TUM數(shù)據(jù)集上精度和魯棒性的定量對(duì)比，但對(duì)比的還是只有Co-SLAM和ESLAM這兩個(gè)NeRF SLAM方案，沒對(duì)比ORB-SLAM3。這里也推薦工坊推出的新課程《徹底剖析激光-視覺-IMU-GPS融合SLAM算法：理論推導(dǎo)、代碼講解和實(shí)戰(zhàn)》。

NeRF建圖的定量對(duì)比，證明三維重建的精度超越了之前的NeRF SLAM方案。

NeRF建圖的定性對(duì)比。

神經(jīng)點(diǎn)密度的消融實(shí)驗(yàn)，證明神經(jīng)點(diǎn)不是越多越好，也不是越少越好。

Office-0-loop場景上運(yùn)行時(shí)間和內(nèi)存消耗的定量對(duì)比，包括單幀跟蹤時(shí)間、建圖時(shí)間、MLP大小、整個(gè)神經(jīng)場的內(nèi)存大小。NICE-SLAM神經(jīng)場的尺寸超級(jí)大，這是因?yàn)樗鼮榱私鉀Q遺忘問題設(shè)計(jì)的多層特征網(wǎng)格。

地圖優(yōu)化和采樣點(diǎn)融合的消融實(shí)驗(yàn)，還是驗(yàn)證它們的策略是對(duì)的。

5. 總結(jié)

本文介紹了浙大最新的工作CP-SLAM，號(hào)稱是第一個(gè)基于NeRF的協(xié)作SLAM，跟傳統(tǒng)SLAM一樣具備前后端，定位精度和建圖質(zhì)量都有了很大提升?？上]有開源。

審核編輯：劉清