CG-SLAM: Efficient Dense RGB-D SLAM in a Consistent Uncertainty-aware 3D Gaussian Field

📄 arXiv: 2403.16095v1 📥 PDF

作者: Jiarui Hu, Xianhao Chen, Boyin Feng, Guanglin Li, Liangjing Yang, Hujun Bao, Guofeng Zhang, Zhaopeng Cui

分类: cs.CV, cs.RO

发布日期: 2024-03-24

备注: Project Page: https://zju3dv.github.io/cg-slam

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出CG-SLAM以解决高效RGB-D SLAM中的不确定性问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: RGB-D SLAM 神经辐射场 高斯场 不确定性感知 跟踪与映射 机器人导航 增强现实 虚拟现实

📋 核心要点

  1. 现有的NeRF方法在密集SLAM中面临计算复杂和渲染耗时的问题，限制了其实用性。
  2. CG-SLAM通过构建不确定性感知的3D高斯场，提升了跟踪和映射的效率与准确性。
  3. 实验结果显示CG-SLAM在多个数据集上表现优越，跟踪速度达到15 Hz，显著提升了性能。

📝 摘要（中文）

近年来，神经辐射场（NeRF）被广泛应用于密集的同时定位与地图构建（SLAM）。尽管在表面建模和新视角合成方面取得了显著成功，但现有的NeRF方法受到计算密集和耗时的体积渲染流程的限制。本文提出了一种高效的RGB-D SLAM系统CG-SLAM，基于一种新颖的不确定性感知3D高斯场，具有高一致性和几何稳定性。通过对高斯点云的深入分析，提出了多种技术以构建适合跟踪和映射的一致且稳定的3D高斯场。此外，提出了一种新的深度不确定性模型，以确保在优化过程中选择有价值的高斯原语，从而提高跟踪效率和准确性。实验结果表明，CG-SLAM在各种数据集上实现了优越的跟踪和映射性能，跟踪速度高达15 Hz。

🔬 方法详解

问题定义：现有的NeRF方法在密集SLAM中存在计算复杂和渲染耗时的问题，导致跟踪和映射效率低下。

核心思路：CG-SLAM通过引入不确定性感知的3D高斯场，优化了高斯原语的选择，从而提高了跟踪的稳定性和准确性。

技术框架：CG-SLAM的整体架构包括数据采集、3D高斯场构建、深度不确定性模型应用和优化阶段，确保了高效的跟踪与映射。

关键创新：本研究的关键创新在于提出了一种不确定性感知的3D高斯场，解决了现有方法在跟踪和映射中的不稳定性问题。

关键设计：在技术细节上，设计了新的深度不确定性模型，并优化了高斯原语的选择策略，以提高整体性能。具体的损失函数和网络结构设计未详细披露，标记为未知。

📊 实验亮点

CG-SLAM在多个数据集上表现出色，跟踪速度高达15 Hz，相较于传统方法显著提升了跟踪和映射的效率，验证了其在实际应用中的潜力。

🎯 应用场景

CG-SLAM可广泛应用于机器人导航、增强现实和虚拟现实等领域，具有重要的实际价值。其高效的跟踪和映射能力将推动这些技术在复杂环境中的应用，提升用户体验和系统可靠性。

📄 摘要（原文）

Recently neural radiance fields (NeRF) have been widely exploited as 3D representations for dense simultaneous localization and mapping (SLAM). Despite their notable successes in surface modeling and novel view synthesis, existing NeRF-based methods are hindered by their computationally intensive and time-consuming volume rendering pipeline. This paper presents an efficient dense RGB-D SLAM system, i.e., CG-SLAM, based on a novel uncertainty-aware 3D Gaussian field with high consistency and geometric stability. Through an in-depth analysis of Gaussian Splatting, we propose several techniques to construct a consistent and stable 3D Gaussian field suitable for tracking and mapping. Additionally, a novel depth uncertainty model is proposed to ensure the selection of valuable Gaussian primitives during optimization, thereby improving tracking efficiency and accuracy. Experiments on various datasets demonstrate that CG-SLAM achieves superior tracking and mapping performance with a notable tracking speed of up to 15 Hz. We will make our source code publicly available. Project page: https://zju3dv.github.io/cg-slam.