SLAM2026/8/31arXiv:2608.30690v1

失敗かドリフトか？合成および実世界の劣化下での単眼SLAMの評価

Failure or Drift? Evaluating Monocular SLAM under Synthetic and Real-World Corruptions

単眼SLAMの堅牢性を、合成劣化と実世界の悪条件下で比較評価し、学習ベースのトラッカーが破滅的な失敗をドリフトに置き換えることや、劣化の忠実度によって性能順位が変わることを示した。

詳しい要約

1. どんなもの？

本研究は、monocular SLAMの性能を、合成および実世界の劣化条件下で評価する枠組みを提案している。従来のクリーンな軌跡での評価ではなく、悪天候、照明変化、ぼけ、センサアーティファクトなどの現実的な障害に焦点を当て、古典的なfeature-basedシステムと2つの学習ベースのtrackerを、image-space、geometry-aware、compound corruptionの下で評価する。さらに、4Seasonsデータセットの実世界の悪条件と比較し、明示的なtracking failureと、システムが動作し続けることによるdriftを分離して評価する。

2. 先行研究と比べてどこがすごい？

従来のVisual SLAM評価はクリーンな軌跡に依存しており、実環境での障害を過小評価していた。本研究は、制御された合成corruptionを用いることで要因を分離しつつ、その合成テストが実世界の条件と同じ工学的結論を導くかどうかを検証する点が新しい。特に、単一のtrajectory errorに還元せず、failureとdriftを分離することで、学習ベースのtrackerがcatastrophic lossをdriftに置き換える現象を明らかにし、corruptionの物理的忠実度がシステムの順序に影響することを示した。

3. 技術・手法の肝は？

手法の肝は、評価プロトコルにある。具体的には、画像空間のcorruption（例：ノイズ、ぼけ）、geometry-aware corruption（例：雨、霧）、およびそれらを組み合わせたcompound corruptionを生成し、monocular SLAMシステム（古典的なfeature-basedと2つの学習ベース）に適用する。さらに、4Seasonsの実世界データと比較し、tracking failure（明示的な失敗）とdrift（動作継続中の誤差蓄積）を分離して定量化する。これにより、システムのロバスト性を多面的に評価する。

4. どうやって有効だと検証した？

有効性の検証は、合成corruptionと実世界の4Seasonsデータの両方でシステムを評価し、それらの結果を比較することで行った。具体的には、合成のrainとfog proxyが実世界の順序を再現する一方、単純な照明proxyは再現しないことを示し、合成テストの物理的忠実度の重要性を実証した。また、学習ベースのtrackerがdriftを起こす一方で、古典的なシステムはfailureを起こす傾向があることを示した。

5. 議論はある？

議論として、合成corruptionの物理的忠実度が評価結果に大きく影響することが挙げられる。単純な照明proxyは実世界の順序を再現しないため、合成テストの設計には注意が必要である。また、学習ベースのtrackerはfailureをdriftに置き換えるが、そのdriftが深刻な場合があり、単にfailureを回避するだけでは不十分であることが示唆される。さらに、評価指標としてtrajectory errorだけでなく、failureとdriftを分離することの重要性が議論されている。

6. 次に読むべき論文は？

要旨で参照されている研究は、4Seasonsデータセットと、評価対象の古典的なfeature-basedシステムおよび学習ベースのtracker（具体的な名称は要旨にない）である。次に読むべき論文としては、monocular SLAMのロバスト性評価に関する既存研究（例：Robust SLAM benchmarks）や、corruptionの生成手法に関する研究（例：雨や霧のシミュレーション）が考えられる。また、学習ベースのtrackerの具体的な手法（例：DROID-SLAM, TARTANVO）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: Abhay Skaria Thomas, Shashank Agnihotri, Margret Keuper

分類: cs.CV, cs.RO

原文アブストラクト

Visual SLAM is commonly evaluated on clean trajectories, although deployment failures are often caused by adverse weather, illumination, blur, and sensor artifacts. Controlled corruptions are attractive because they isolate such factors, but a synthetic stress test is useful only when it leads to the same engineering conclusion as the condition it is intended to approximate. This work examines that question for monocular SLAM. We evaluate a classical feature-based system and two learned trackers under image-space, geometry-aware, and compound corruptions, and compare their behavior with adverse conditions from 4Seasons. Rather than reducing robustness to a single trajectory error, the evaluation separates explicit tracking failure from drift accumulated by methods that remain active. The results show that learned trackers largely replace catastrophic loss with sustained, and sometimes severe, drift. More importantly, the apparent ordering of the learned systems changes with the physical fidelity of the corruption: structured rain and fog proxies preserve the real-world ordering, whereas a simple illumination proxy does not. Code is available at: https://github.com/abhaythomas/master_thesis_vslamlab_robustness.

arXivで原文を読む →arXiv概要ページ