本文的目标包括:通过高斯地图内的多传感器融合实现高精度定位,以及在大规模和复杂环境中显著提高高斯地图更新的效率。本方法解决了当前高斯SLAM系统实际部署中的关键瓶颈。 项目主页:https://github.com/HKUST-Aerial-Robotics/GS-LIVO 主要贡献包括: 引入了一种基于空间哈希索引八叉树的全局高斯地图表示结构。该层次结构...
SLAM技术通常部署在机器人身上,性能尤为关键。后续出现了一系列解决NeRF重建效果和性能的论文,基于3D高斯辐射场的SLAM有以下好处: 快速渲染和丰富的优化:Gaussian Splatting可以以高达400 FPS的速度渲染,使其比隐式表达更快地可视化和优化。 有明确空间范围的建图:现有地图的空间边界可以通过在之前观察到的部分场景中添...
在关键帧处,系统执行地图更新,并通过自适应尺度映射器(Adaptive Scale Mapper)对 Pointmap 进行处理,以插入新的3D高斯点。此外,相机位姿与3D高斯地图会在局部窗口内进行联合优化,确保更精准的追踪与场景重建。 追踪 帧间点图回归与位姿估计 之前基于3DGS和NeRF的SLAM工作,主要集中在室内和小规模场景中,其中相机的运...
利用显式 3D 高斯表示,高斯 SLAM 可提供高保真渲染和细粒度场景重建,从而克服了基于 NeRF 的方法的局限性。 尽管高斯 SLAM 具有优势,但它在室内场景中仍面临显著挑战,因为室内场景通常以无纹理表面和复杂的空间布局为特征。这些环境由于缺乏相机姿势优化所必需的足够纹理细节而阻碍了稳健的跟踪。此外,由于遮挡或视野覆...
因此,作者未来的工作旨在融合激光雷达和图像数据,力求两全其美——从激光雷达SLAM中获得可靠的位置估计和几何形状,并结合视觉SLAM中丰富的环境表示。为了获得结果轨迹和地图的更可靠的精度估计,作者还计划将位于大厅内的参考点集成到作者的评估过程中。 由于3D高斯溅射在内存使用方面具有效率,并且结合已经开发的渲染方法,...
在本研究中,我们提出了 MG-SLAM,这是一种基于曼哈顿世界假设的高斯 SLAM 方法。MG-SLAM 采用线段进行稳健的姿态估计和地图细化。此外,通过利用线段和平面假设,我们可以在缺失几何的间隙上有效地插入新的高斯函数。大量实验表明,我们的方法提供了最先进的跟踪和映射性能。
NeRF和3DGS在SLAM中的应用 NeRFs是一种基于神经网络的3D表示方法,通过从多个视角学习场景的辐射场,能够生成高质量的3D重建。NeRFs在处理复杂几何形状和高细节场景方面表现出色,为SLAM系统提供了更精确的环境感知能力。3DGS通过在3D空间中使用高斯分布表示点云,实现了更高效的地图构建和更新。3DGS不仅减少了内存需求,还...
为了克服这些不足，后续研究者提出了一系列改进方案，其中基于3D高斯辐射场的SLAM技术脱颖而出。它具有以下显著优势：快速渲染与优化：Gaussian Splatting技术能够实现高达400 FPS的渲染速度，显著提升可视化和优化效率。明确的空间范围建图：通过在先前观察到的场景部分添加高斯函数，可以轻松控制现有地图的空间边界。新图像...
GS-LIVO[1]是一种激光雷达-惯性-视觉里程计系统,该系统通过高斯地图的新颖表示形式,紧密结合了激光雷达与摄像头的测量。本文的目标包括:通过高斯地图内的多传感器融合实现高精度定位,以及在大规模和复杂环境中显著提高高斯地图更新的效率。本方法解决了当前高斯SLAM系统实际部署中的关键瓶颈。
高斯SLAM新框架,实时! 近年来,3D高斯点云(3D-GS)作为一种新兴的场景表示方法,逐渐受到关注。然而,现有的仅依赖视觉的3D-GS方法通常依赖于手工设计的启发式方法来进行点云密集化,同时在处理遮挡、高GPU内存和计算消耗方面面临挑战。LiDAR-惯性-视觉(LIV)传感器配置通过利用相机的丰富纹理信息、LiDAR的精确几何测量以及...