SLAMFormer-$\infty$: Infinite SLAM Transformer for Unbounded Frontend and Backend Processing

📄 arXiv: 2608.03429v1 📥 PDF

作者: Zhijian Fang, Weicheng Zheng, Yijun Yuan, Weibang Wang, Zhuoguang Chen, Chang Sun, Junhao Huang, Kenan Li, Minghui Qin, Hang Zhao

分类: cs.CV, cs.RO

发布日期: 2026-08-04

💡 一句话要点

提出SLAMFormer-$\infty$以解决无限SLAM处理问题

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

关键词: SLAM 变换器 轨迹估计 场景重建 长距离处理 几何优化 机器人导航

📋 核心要点

  1. 现有SLAM方法通常依赖于固定的距离限制，难以处理长距离轨迹和复杂场景。
  2. SLAMFormer-$\infty$通过记忆条件定义灵活的坐标系统，支持无距离限制的前后端处理，提升了结构表达能力。
  3. 实验结果显示，SLAMFormer-$\infty$在轨迹估计和场景重建上超越了现有方法，尤其在处理极长轨迹时表现突出。

📝 摘要（中文）

我们介绍了无限SLAM变换器（SLAMFormer-$\infty$），这是首个能够支持无明确距离限制的长距离前端和后端处理的几何变换器。SLAMFormer-$\infty$通过记忆条件定义灵活的坐标系统和输入帧的尺度，从而实现更具表现力的结构条件。前端保持高效的局部计算，而后端则以全局一致的方式联合优化长距离轨迹和场景几何。实验结果表明，SLAMFormer-$\infty$在大规模数据集上在轨迹估计和场景重建方面表现优越或高度竞争，尤其能够处理超过17公里的极长轨迹。

🔬 方法详解

问题定义：现有的SLAM方法往往依赖于第一帧锚定的形式，限制了其在长距离轨迹和复杂场景中的应用，难以实现全局一致的优化。

核心思路：SLAMFormer-$\infty$通过引入记忆条件，定义灵活的坐标系统和输入帧尺度，避免了固定距离限制，从而实现更高效的前后端处理。

技术框架：该方法包括前端和后端两个主要模块。前端负责高效的局部计算，而后端则联合优化长距离轨迹和场景几何，确保全局一致性。

关键创新：SLAMFormer-$\infty$的核心创新在于其无距离限制的几何变换器设计，使得其能够处理极长的轨迹，显著提升了SLAM系统的灵活性和适应性。

关键设计：在网络结构上，SLAMFormer-$\infty$采用了特定的损失函数和参数设置，以优化轨迹估计和场景重建的性能，确保在大规模数据集上的高效处理。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SLAMFormer-$\infty$在轨迹估计和场景重建方面的性能超越了现有的SLAM方法，尤其在处理超过17公里的长轨迹时，表现出显著的优势，展示了其在大规模数据集上的竞争力。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在无人驾驶、机器人导航和增强现实等领域。SLAMFormer-$\infty$的灵活性和高效性使其能够在复杂和动态环境中实现实时定位与地图构建，推动相关技术的发展与应用。

📄 摘要（原文）

We introduce the Infinite SLAM Transformer (SLAMFormer-$\infty$), the first geometric transformer capable of supporting both long-range frontend and backend processing without an explicit distance bound. Instead of relying on a first-frame-anchored formulation, SLAMFormer-$\infty$ employs memory conditions to define flexible coordinate systems and scales for input frames, enabling more expressive structural conditioning. Built upon this formulation, the frontend preserves efficient local computation, while the backend jointly optimizes long-range trajectories and scene geometry in a globally consistent manner. Experimental results demonstrate that SLAMFormer-$\infty$ achieves superior or highly competitive performance in both trajectory estimation and scene reconstruction across large-scale datasets. Notably, SLAMFormer-$\infty$ generalizes to extremely long trajectories, successfully operating on sequences exceeding $17\mathrm{km}$.