vSLAM2026/10/19arXiv:2610.26633

未知の動物体にも対応する動的環境向けクラス非依存オブジェクト認識vSLAM

CAOS-SLAM: Class-Agnostic Object-Aware Real-Time vSLAM for Dynamic Environments

ORB-SLAM3を拡張し、既知・未知の動く物体をリアルタイムで検出・追跡・除去する動的環境向けvSLAMを提案。未知動物体のシーンで最大59%、強い遮蔽シーンで最大88%の位置推定誤差低減を実現した。

詳しい要約

1. どんなもの？

- 動的環境向けの real-time vSLAM フレームワーク CAOS-SLAM を提案 - ORB-SLAM3 を拡張し、semantically known と未見の moving objects の両方を検出・追跡・除去 - 単眼ではなく RGB-D を対象とし、laptop 上で median 30 FPS を達成 - 物体の trajectory と velocity の推定も出力し、perception/navigation/motion-planning への応用を想定

2. 先行研究と比べてどこがすごい？

- 既存 vSLAM は predefined semantic classes や高コストな pixel-wise classification に依存し、未知物体や実環境での適用に制約 - CAOS-SLAM は class-agnostic に known/unknown の moving objects を扱える点が差分 - 未知動物体を含む scene で最大 59%、heavy occlusion で最大 88% の localization error 低減を報告 - 精度向上と real-time 性(median 30 FPS)を両立

3. 技術・手法の肝は？

- hybrid perception pipeline を ORB-SLAM3 に統合 - on-demand panoptic segmentation で object discovery を実施 - 未分類領域を depth-based clustering して candidate unknown objects を生成 - panoptic update 間は lightweight detection があれば利用、なければ temporal mask propagation で追跡 - propagation は world-frame Kalman prediction、depth consistency、appearance similarity を組み合わせ - 推定した object motion に基づき dynamic features を SLAM pipeline から reject

4. どうやって有効だと検証した？

- 複数の dynamic RGB-D datasets と real-world experiments で評価 - state-of-the-art の dynamic vSLAM 手法と localization accuracy を比較 - 未知動物体の scene で最大 59%、heavy occlusion で最大 88% の error 低減を報告 - laptop 上で median 30 FPS の処理速度を確認 - 詳細な評価プロトコルや dataset 名は要旨からは不明

5. 議論はある？

- 未知物体を depth-based clustering で発見する設計の限界や失敗条件は要旨からは不明 - panoptic segmentation の on-demand 実行による latency や負荷の議論は要旨からは不明 - 物体 trajectory/velocity 推定の精度評価は要旨からは不明 - code と dataset は採択後に公開予定と記載

6. 次に読むべき論文は？

- ORB-SLAM3(ベースライン) - dynamic vSLAM の比較対象となる state-of-the-art 手法(具体名は要旨からは不明) - panoptic segmentation を用いる SLAM 研究 - Kalman prediction と mask propagation を用いた object tracking 研究

※ 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: Gaia Borghi, João Carlos Virgolino Soares, Angelo Bratta, Shahab Heshmati-Alamdari, Claudio Semini

分類: cs.RO

原文アブストラクト

Robust visual Simultaneous Localization and Mapping (vSLAM) in dynamic environments faces challenges due to the presence of moving objects that may introduce erroneous observations, corrupt the map reconstruction and overall degrade localization accuracy. Existing vSLAM approaches often rely on predefined semantic classes or costly pixel-wise classification, limiting their robustness or applicability in real-world scenarios. This paper presents CAOS-SLAM, a dynamic vSLAM framework that extends ORB-SLAM3 with a hybrid perception pipeline to detect, track, and filter both semantically known and previously unseen moving objects in real-time. On-demand panoptic segmentation is performed for object discovery, with candidate unknown objects instantiated through depth-based clustering of unclassified regions. Between panoptic updates, persistent object tracks are updated using lightweight detection when available or temporal mask propagation based on world-frame Kalman prediction, depth consistency, and appearance similarity. The estimated object motion is then used to reject dynamic features from the SLAM pipeline. Experimental results on multiple dynamic RGB-D datasets and real-world experiments demonstrate improved localization accuracy over state-of-the-art dynamic vSLAM approaches, achieving up to 59% lower localization error in scenes characterized by unknown dynamic objects and up to 88% lower error in heavily occluded scenes, while achieving a median processing rate of 30 FPS on a laptop. Furthermore, the tracking module provides estimates of object trajectories and velocities, supporting potential future applications in perception, navigation, and motion-planning tasks in dynamic environments. Code and dataset will be released upon acceptance.

arXivで原文を読む →arXiv概要ページ

← 論文一覧