SLAM/エッジコンピューティング2026/8/18arXiv:2608.17874

Jetson-ORB-SLAM3: エッジコンピューティングデバイス向け精度保持型GPU実装

Jetson-ORB-SLAM3: Accuracy-Preserving GPU Implementation for Edge Computing Devices

低消費電力エッジデバイス上でORB-SLAM3を精度を保ったままGPUで高速化する実装を提案。GPU版ORBフロントエンドはCPU版とほぼ同一の特徴点を生成し、ループ閉じ込みもTensorRTで高速化。軌道精度はCPU版と同等であることを複数データセットで検証した。

詳しい要約

1. どんなもの？

本論文は、低消費電力エッジデバイスであるNVIDIA Jetson Orin Nano上で、精度を維持したままORB-SLAM3のGPU実装を提供する研究である。GPU ORBフロントエンドは、参照CPU検出器をアルゴリズム的に再現し、94.7%の正確なキーポイント一致率と99.9%のディスクリプタビット一致率を達成する。また、CNNベースのループ閉じ込みをTensorRTによりエッジで実行可能にし、特徴抽出をGPUにオフロードし、マッピングと最適化のバックエンドはCPUに保持する。

2. 先行研究と比べてどこがすごい？

先行研究のGPU移植版ORB-SLAMは、ORB検出器を近似することで精度を犠牲にし、特徴セットが変化して軌道推定がずれる問題があった。本研究は、GPU ORBフロントエンドが参照CPU検出器をアルゴリズム的に再現するため、精度を犠牲にしない点が優れている。また、CNNベースのループ閉じ込みをエッジで実用的にするため、ネイティブTensorRTエンジンを使用し、ONNX-RuntimeのCUDA/TensorRT実行プロバイダでは不可能だった高速化を実現している。

3. 技術・手法の肝は？

手法の肝は、GPU ORBフロントエンドがCPU参照実装をアルゴリズム的に再現することである。具体的には、ORB検出器の各ステップをGPU上で忠実に実装し、キーポイントとディスクリプタの一致率を高く保つ。また、ループ閉じ込みにはCosPlace ResNet-50を使用し、ネイティブlibnvinfer FP16エンジンに変換して推論時間を2.2msに短縮する。システム全体では、特徴抽出をGPUに、マッピングと最適化をCPUに割り当て、各計算を適したハードウェアで実行する。

4. どうやって有効だと検証した？

有効性は、4つの構成（GPUパイプラインと未変更CPU参照を、Jetson Orin Nanoとデスクトップの両方で実行）を比較して検証した。EuRoCデータセットでは、4つの構成すべてが平均絶対軌道誤差（SE(3)）で0.10cm以内に一致し、GPU移植やハードウェア変更が軌道推定に影響しないことを示した。また、TUM-VIとKITTIデータセットでもGPU対CPUの比較が再現可能であり、加速が精度を保つことを確認した。さらに、EuRoCで公開ORB-SLAM3と競合し、TUM-VIの6シーケンス中5つでサブセンチメートル精度、KITTIの11シーケンス中9つで相対並進誤差1%未満を達成した。

5. 議論はある？

議論としては、GPU実装がCPU参照とアルゴリズム的に一致することを示したが、完全な一致ではない（94.7%のキーポイント一致率）ため、残りの不一致が軌道に与える影響は小さいとされる。また、ループ閉じ込みのCosPlace ResNet-50は、ONNX-RuntimeのCUDA/TensorRT実行プロバイダではエッジで使用できず、ネイティブTensorRTエンジンが必要であることが示された。消費電力7Wで学習ベースの場所認識をトラッキングと並行して実行できる点は有望だが、他のエッジデバイスでの汎用性や、より大規模なデータセットでの性能は要旨からは不明である。

6. 次に読むべき論文は？

次に読むべき論文は、要旨で参照されているORB-SLAM3の原著論文（Campos et al.）や、CosPlace（場所認識手法）、およびORB-SLAMのGPU移植に関する先行研究（例：ORB-SLAM2のGPU実装）が挙げられる。また、エッジデバイス向けのSLAM高速化に関する一般的な研究も関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Rajat Roy, Aditya Arun Kumar Yadav, Hardik Jain

分類: cs.RO

原文アブストラクト

Visual-inertial SLAM on low-power edge platforms is constrained by the cost of dense feature extraction and loop closure. Prior GPU ports of ORB-SLAM trade accuracy for speed by approximating the ORB detector, altering the feature set and therefore the estimated trajectory. We present an accuracy-preserving GPU implementation of ORB-SLAM3 for the NVIDIA Jetson Orin Nano, whose GPU ORB front end reproduces the reference CPU detector algorithmically to 94.7% exact keypoint agreement and 99.9% descriptor bit agreement. This work also makes CNN-based loop closure edge-viable through native TensorRT. The visual front end (feature extraction) is offloaded to the GPU while the mapping and optimization back end is kept on the CPU, matching each computation to the hardware it suits. The accuracy is verified by comparing four configurations: the GPU pipeline and the unmodified CPU reference, each run on both the Jetson Orin Nano and a desktop. On EuRoC dataset, all four agree to within 0.10cm in mean absolute trajectory error (SE(3)), so neither the GPU port nor the change of hardware shifts the estimated trajectory. The GPU-versus-CPU comparison is reproducible on TUM-VI and KITTI datasets, so the acceleration is accuracy-preserving rather than approximate. The proposed implementation is competitive with published ORB-SLAM3 on EuRoC, attains sub-centimeter accuracy on five of the six TUM-VI room sequences, and reaches sub-1% relative translation error on nine of eleven KITTI sequences. For loop closure, the generic ONNX-Runtime CUDA/TensorRT execution providers are unusable with our CosPlace ResNet-50 on the embedded platform, whereas a native libnvinfer FP16 engine reduces per-query inference to 2.2ms, a 180x speedup. Learned place recognition therefore runs concurrently with tracking on a 7W device. In monocular-inertial mode the system sustains 32FPS mean over the eleven EuRoC sequences.

arXivで原文を読む →arXiv概要ページ