1. 原文摘要

神經(jīng)隱式表示已經(jīng)被探索用于增強(qiáng)視覺SLAM掩碼算法，特別是在提供高保真的密集地圖方面。現(xiàn)有的方法在靜態(tài)場景中表現(xiàn)出強(qiáng)大的魯棒性，但卻難以應(yīng)對移動物體造成的干擾。在本文中，我們提出了NID-SLAM，它顯著地提高了神經(jīng)SLAM掩碼在動態(tài)環(huán)境中的性能。我們提出了一種新的方法來增強(qiáng)語義掩碼中不準(zhǔn)確的區(qū)域，特別是在邊緣區(qū)域。利用深度圖像中存在的幾何信息，這種方法能夠準(zhǔn)確地移除動態(tài)物體，從而降低了相機(jī)漂移的概率。此外，我們還引入了一種針對動態(tài)場景的關(guān)鍵幀選擇策略，它提高了相機(jī)跟蹤對大尺度物體的魯棒性，并提高了建圖的效率。在公開的RGB-D數(shù)據(jù)集上的實(shí)驗(yàn)表明，我們的方法在跟蹤精度和建圖質(zhì)量方面優(yōu)于競爭的神經(jīng)SLAM方法。

圖1. NID-SLAM在我們采集的大型動態(tài)場景上的三維重建結(jié)果。

2. 方法提出

視覺同時(shí)定位與地圖建構(gòu)(SLAM)在各種應(yīng)用中發(fā)揮著關(guān)鍵作用，如機(jī)器人導(dǎo)航、增強(qiáng)現(xiàn)實(shí)(AR)和虛擬現(xiàn)實(shí)(VR)。視覺SLAM算法利用傳感器(如單目、立體和RGB-D相機(jī))收集的數(shù)據(jù)來估計(jì)先前未知環(huán)境中相機(jī)的姿態(tài)，并逐步構(gòu)建周圍場景的地圖。在各種視覺傳感器中，RGB-D相機(jī)同時(shí)記錄顏色和深度數(shù)據(jù)，為三維環(huán)境信息的獲取提供了更有效和精確的基礎(chǔ)。這增強(qiáng)了大多數(shù)SLAM算法的三維重建性能。

最近的方法已經(jīng)將神經(jīng)隱式表示引入到SLAM中。最典型的例子就是神經(jīng)輻射場(NeRF)，它將場景顏色和體素密度編碼到神經(jīng)網(wǎng)絡(luò)的權(quán)重中，直接從數(shù)據(jù)中學(xué)習(xí)場景細(xì)節(jié)的高頻信息，極大地增強(qiáng)了建圖的平滑性和連續(xù)性。結(jié)合基于體積表示的渲染方法，通過訓(xùn)練，NeRF可以重新合成輸入圖像，并推廣到相鄰未見的視點(diǎn)。

但是，這些神經(jīng)SLAM算法是基于靜態(tài)環(huán)境的假設(shè)，其中一些可以處理合成場景中的小動態(tài)物體。在真實(shí)的動態(tài)場景中，這些算法可能會由于動態(tài)物體的存在而在稠密重建和相機(jī)跟蹤精度方面出現(xiàn)顯著的性能下降。這可能在很大程度上是由于動態(tài)物體導(dǎo)致的數(shù)據(jù)關(guān)聯(lián)不正確，嚴(yán)重破壞了跟蹤過程中的姿態(tài)估計(jì)。此外，動態(tài)物體的信息通常會合并到地圖中，妨礙其長期適用性。

語義信息已經(jīng)在許多研究中被引入到動態(tài)場景中的視覺SLAM算法中。其主要思想是將語義信息與幾何約束相結(jié)合以消除場景中的動態(tài)物體。然而，一方面，由于場景中靜態(tài)信息的減少，這些算法中的地圖質(zhì)量和內(nèi)在聯(lián)系較差。另一方面，由于缺乏對未觀測區(qū)域的合理幾何預(yù)測能力，這些算法通常存在恢復(fù)背景中可觀的空洞。

為了解決這個(gè)問題，我們提出了神經(jīng)隱式動態(tài)SLAM(NID-SLAM)。我們整合精度提高的深度信息與語義分割以檢測和移除動態(tài)物體，并通過將靜態(tài)地圖投影到當(dāng)前幀中以填補(bǔ)這些物體遮擋的背景。

圖2. 系統(tǒng)概覽。1) 動態(tài)物體移除：通過使用語義分割和掩碼修正，精確地消除RGB-D圖像中的動態(tài)物體，然后徹底恢復(fù)被遮擋的背景。2) 跟蹤：通過最小化損失來優(yōu)化相機(jī)姿態(tài){R, t}。3) 建圖：采用基于掩碼的策略來選擇關(guān)鍵幀，用于優(yōu)化特征網(wǎng)格場景表示。4) 場景表示：通過表面聚焦的點(diǎn)采樣，實(shí)現(xiàn)預(yù)測的顏色和深度值的高效渲染。

3. 方法詳解

圖2展示了NID-SLAM的總體框架。給定RGB-D圖像流作為輸入，我們首先使用專門的動態(tài)處理過程移除動態(tài)物體。隨后，我們通過聯(lián)合優(yōu)化相機(jī)姿勢和神經(jīng)場景表示來完成跟蹤和建圖。利用語義先驗(yàn)和深度信息，消除動態(tài)物體，并通過靜態(tài)地圖修復(fù)這些物體遮擋的背景。在每次建圖迭代中，選擇關(guān)鍵幀以優(yōu)化場景表示和相機(jī)姿態(tài)。渲染是通過對查看射線進(jìn)行采樣并在這些射線上各點(diǎn)處集成預(yù)測值來執(zhí)行的。

3.1 動態(tài)物體移除

深度修正：由于深度相機(jī)的局限性，物體與相機(jī)之間距離增加時(shí)的深度估計(jì)精度會降低。存在顯著誤差的深度信息可能導(dǎo)致不正確的數(shù)據(jù)關(guān)聯(lián)，破壞相機(jī)跟蹤的穩(wěn)定性。在高度動態(tài)環(huán)境中，這些不準(zhǔn)確性變得更加明顯，增加相機(jī)漂移的概率。此外，由于深度信息中的錯(cuò)誤，構(gòu)建的地圖可能會出現(xiàn)分層現(xiàn)象，其中本應(yīng)位于相同深度的圖像塊在地圖上表示為不同深度。因此，我們檢測并刪除不準(zhǔn)確的深度信息。具體來說，我們計(jì)算深度圖的圖像梯度，并將這些梯度用作評估深度信息準(zhǔn)確性的指標(biāo)。當(dāng)圖像的水平或垂直梯度超過預(yù)定義閾值時(shí)，說明深度存在顯著變化，我們將梯度方向上后續(xù)像素點(diǎn)的深度設(shè)置為零，以減輕深度誤差。

基于深度的語義分割：為了檢測動態(tài)物體，我們采用基于邊界框的網(wǎng)絡(luò)進(jìn)行輸入圖像的語義分割，在我們的實(shí)驗(yàn)中使用YOLO算法。該網(wǎng)絡(luò)以RGB原始圖像為輸入，并輸出圖像中潛在動態(tài)或可移動物體的二進(jìn)制掩碼。語義掩碼存在兩個(gè)主要缺點(diǎn)。首先，它們可能無法完全覆蓋動態(tài)物體，有時(shí)會并入環(huán)境中的其他物體。其次，掩碼在邊界區(qū)域容易出錯(cuò)。因此，我們利用深度信息細(xì)化掩碼。對于原始掩碼的每個(gè)邊界點(diǎn)，我們檢查以其為中心的五像素半徑區(qū)域，計(jì)算該區(qū)域內(nèi)掩碼中像素的深度值范圍。對于此區(qū)域內(nèi)的掩碼部分，我們計(jì)算所有像素的深度值范圍。對于此區(qū)域外掩碼的像素，其深度值在計(jì)算的范圍內(nèi)的像素被認(rèn)為是掩碼的一部分，并隨后被整合。

背景修復(fù)：對于移除的動態(tài)物體，我們使用從以前的視點(diǎn)獲得的靜態(tài)信息來修復(fù)被遮擋的背景，合成一個(gè)沒有動態(tài)物體的逼真圖像。修復(fù)后的圖像包含更多的場景信息，使地圖的外觀更準(zhǔn)確，增強(qiáng)了相機(jī)跟蹤的穩(wěn)定性。利用先前幀和當(dāng)前幀的已知位置，我們將一系列先前關(guān)鍵幀投影到當(dāng)前幀的RGB和深度圖像的分割區(qū)域。由于這些區(qū)域要么尚未出現(xiàn)在場景中，要么已經(jīng)出現(xiàn)但沒有有效的深度信息，因此仍有一些區(qū)域保留未填充。圖1展示了我們自制數(shù)據(jù)集中用作輸入的三幀和最終重建的場景。可以注意到，動態(tài)物體被成功刪除，大多數(shù)分割部分修復(fù)良好。

3.2 基于掩碼的關(guān)鍵幀選擇

對于跟蹤的輸入幀，我們選擇一組關(guān)鍵幀，表示為K。我們對關(guān)鍵幀的偏好傾向于：1) 動態(tài)物體比率較低的幀；2)與前一關(guān)鍵幀重疊率較低的幀。我們使用 和 分別表示輸入幀I的兩個(gè)比率。當(dāng)這兩個(gè)比率之和小于閾值 時(shí)，我們將當(dāng)前幀插入關(guān)鍵幀集。為了解決背景修復(fù)中的不準(zhǔn)確性和遺漏信息，我們減少關(guān)鍵幀中的動態(tài)物體比例。這種方法確保整合更多可靠的信息，增強(qiáng)相機(jī)跟蹤的準(zhǔn)確性和穩(wěn)定性。同時(shí)，關(guān)鍵幀之間的重疊更小可以使關(guān)鍵幀集包含更多場景信息。在靜態(tài)場景中，此策略默認(rèn)為基于重疊比的選擇。

從K中選擇關(guān)鍵幀以優(yōu)化場景表示時(shí)，我們在基于覆蓋的和基于重疊的策略之間交替，旨在在優(yōu)化效率和質(zhì)量之間取得平衡。基于覆蓋的策略傾向于覆蓋最大場景區(qū)域的幀，確保場景邊緣區(qū)域的全面優(yōu)化。但是，這種方法通常需要大量迭代才能優(yōu)化相對較小的邊緣區(qū)域，降低了整體優(yōu)化效率。它還會導(dǎo)致重復(fù)的選擇結(jié)果，因?yàn)閹母采w面積是恒定的，覆蓋面積大的幀保持更高的優(yōu)先級。基于重疊的策略涉及從與當(dāng)前幀視覺上重疊的關(guān)鍵幀中隨機(jī)選擇。為避免過度關(guān)注邊緣區(qū)域并反復(fù)優(yōu)化相同區(qū)域，我們首先使用基于覆蓋的策略優(yōu)化整個(gè)場景，然后多次使用基于重疊的策略，定期重復(fù)此過程。

3.3 場景表示和圖像渲染

3.4 建圖和跟蹤

4. 實(shí)驗(yàn)

本方法在公開的RGB-D數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，包括TUM RGB-D數(shù)據(jù)集和Replica數(shù)據(jù)集，并與現(xiàn)有的方法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，該方法在動態(tài)環(huán)境中的跟蹤精度和建圖質(zhì)量方面都優(yōu)于其他的神經(jīng)SLAM方法。

表1. TUM RGB-D數(shù)據(jù)集上的相機(jī)跟蹤結(jié)果。評估指標(biāo)為ATE RMSE。 代表相應(yīng)文獻(xiàn)中沒有提到對應(yīng)的數(shù)值。

表2. TUM數(shù)據(jù)集上的平移RPE RMSE結(jié)果。

表3. TUM數(shù)據(jù)集上的旋轉(zhuǎn)RPE RMSE結(jié)果。

圖3. TUM RGB-D數(shù)據(jù)集上的重建結(jié)果。紅框標(biāo)出有動態(tài)物體的區(qū)域。

圖4. Replica數(shù)據(jù)集上的重建結(jié)果。紅框標(biāo)出改進(jìn)的區(qū)域。

表4. Replica數(shù)據(jù)集上的重建結(jié)果(8個(gè)場景的平均值)。

表5. 消融實(shí)驗(yàn)結(jié)果。

5. 結(jié)論

我們介紹了NID-SLAM，這是一種動態(tài)RGB-D神經(jīng)SLAM方法。我們證明神經(jīng)SLAM能夠在動態(tài)場景中實(shí)現(xiàn)高質(zhì)量的建圖和可信的孔填充。利用動態(tài)物體移除，我們的方法實(shí)現(xiàn)了穩(wěn)定的相機(jī)跟蹤并創(chuàng)建可重復(fù)使用的靜態(tài)地圖。準(zhǔn)確獲得的無動態(tài)物體圖像也可以在進(jìn)一步的應(yīng)用中使用，如機(jī)器人導(dǎo)航。

審核編輯：劉清