日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
SLAMarXiv:2609.27702

DAVIO: フィードフォワード初期化とポーズ条件付きマッピングによる高密度単眼慣性SLAM

DAVIO: Dense Monocular-Inertial SLAM with Feed-Forward Initialization and Pose-Conditioned Mapping

シェア:XThreadsFacebookLINEはてブBluesky

単一の多視点深度モデルを初期化とマッピングに活用し、IMUとカメラのみで高密度なメートルスケールSLAMをリアルタイムに実現する手法を提案。

詳しい要約

1. どんなもの？

- カメラと IMU のみを最小構成とする dense metric SLAM システム DAVIO を提案。 - 単一の multi-view depth model である Depth Anything 3 を起動時と mapping の両方に利用。 - 起動時は 5 画像 window と preintegrated IMU から feature-free な線形システムを解き、VIO filter を buffered replay で初期化。 - tracking 中は filter の metric pose で depth model を条件付け、viewing ray 方向のみ scale 補正。 - gravity-preserving submap graph と drift-gated revisit で地図を refine する real-time dense metric SLAM。

2. 先行研究と比べてどこがすごい？

- 古典的 visual-inertial filter は parallax を待つ必要があり sparse landmark しか保持しない。 - feed-forward geometry model は数枚の画像から dense 構造を予測するが metric scale と gravity を与えない。 - DAVIO は feed-forward depth model を起動と mapping に統合し、metric scale と gravity を扱える。 - EuRoC で SOTA feed-forward mapper より早く起動し、localization error を低減、同じ pose 条件下でより正確に mapping。 - building-scale ORI では同じ odometry で SOTA mapper と同等以上、GT pose を実 odometry に置換した際の劣化が小さい。

3. 技術・手法の肝は？

- 単一の multi-view depth model Depth Anything 3 を起動と mapping に共用。 - 起動時: 5 画像 window と preintegrated IMU 測定から feature-free 線形システムを構成。 - その robust かつ conditioning-checked な解で VIO filter を buffered replay により bootstrap。 - tracking 中: filter の metric pose が depth model を条件付け。 - 残差 scale は viewing ray 方向のみ補正し metric camera baseline を保持。 - gravity-preserving submap graph と drift-gated revisit で地図を refine。

4. どうやって有効だと検証した？

- EuRoC で評価し、DAVIO は SOTA feed-forward mapper より著しく早く起動。 - 同一 pose 条件下で localization error を低減し、mapping 精度が向上。 - building-scale ORI シーケンスで、同じ odometry 上で SOTA mapper と同等以上。 - GT pose を実 odometry に置き換えた場合の性能劣化が SOTA より小さいことを確認。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- Depth Anything 3 - 古典的 visual-inertial filter (VIO filter) - feed-forward geometry model / feed-forward mapper - EuRoC - ORI

※ 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: Jaafar Mahmoud, Arthur Movsesyan, Mikhail Iumanov, Sergey Kolyubin

分類: cs.RO, cs.CV

原文アブストラクト

A camera and an IMU are the minimal sensor setup for metric localization and dense mapping, yet classical visual--inertial filters must wait for parallax before they start and then retain only sparse landmarks. Feed-forward geometry models, in contrast, predict dense structure from a few images but provide neither metric scale nor gravity. We present DAVIO, which uses a single multi-view depth model, Depth Anything~3, for both start-up and mapping. At start-up, a five-image window and preintegrated IMU measurements form a feature-free linear system. Its robust, conditioning-checked solution bootstraps a VIO filter through buffered replay. During tracking, the filter's metric poses condition the depth model. Residual scale is corrected only along viewing rays, which preserves the metric camera baselines, and a gravity-preserving submap graph with drift-gated revisits refines the map. On EuRoC, DAVIO starts markedly earlier, reduces the localization error, and maps more accurately than SOTA feed-forward mappers given identical poses. On building-scale ORI sequences, DAVIO is on bar or better than SOTA mappers on the same odometry, and degrades far less when GT poses are replaced by real odometry. We release the code of DAVIO, a real-time dense metric SLAM system, to the community.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI