論文の概要: Map2SLAM: From Streaming Map Prediction to Real-Time SLAM
- arxiv url: http://arxiv.org/abs/2611.11169v1
- Date: Sun, 08 Nov 2026 06:16:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:37.950025
- Title: Map2SLAM: From Streaming Map Prediction to Real-Time SLAM
- Title(参考訳): Map2SLAM: ストリーミングマップ予測からリアルタイムSLAMへ
- Abstract要約: 3Dファンデーションモデル(3DFM)のストリーミングでは、カメラのポーズと密集した地形をオンラインで推定するが、SLAMには達していない。
我々はLingBot-Mapを凍結保存するMap2SLAMを提案し、軽量な検索ヘッドのみを訓練し、モデルの推論インターフェース上にSLAMを構築する。
すべての呼び出しは、1つのフレームエンコーダパスをイメージごとに共有する。
- 参考スコア(独自算出の注目度): 32.59897919880376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Streaming 3D foundation models (3DFMs) estimate camera poses and dense geometry online, but they fall short of SLAM: their predictions are fixed once emitted, so loop closures cannot correct accumulated drift. With such models already providing strong geometric capability, a central question for SLAM becomes how to schedule their inference and how to keep its results as revisable state. We present Map2SLAM, which keeps LingBot-Map frozen, trains only a lightweight retrieval head, and builds SLAM on the model's inference interface, turning its predictions into observations of an external persistent SLAM state. The front-end tracks every incoming frame with the model's causal streaming inference and decides which frames are written to the persistent state as keyframes. The back-end asynchronously decides when and which past frames to re-observe, re-running the model's joint inference over them with fresh context; verified loop observations correct the trajectory online, and segment observations refine dense geometry after the sequence. All invocations share a single frame encoder pass per image, whose cached features also drive loop retrieval, so frequent re-invocation incurs no additional encoding cost. Map2SLAM achieves state-of-the-art performance on KITTI, VBR, and Oxford Spires, reducing mean ATE by over 40% compared with the best uncalibrated baselines, while maintaining real-time tracking at over 28 FPS at a resolution of $518\times154$ on an NVIDIA RTX 5090D GPU. Please visit our project page at https://robbyant-research.github.io/Map2SLAM/.
- Abstract(参考訳): 3Dファンデーションモデル(3DFM)をストリーミングすることで、カメラのポーズと密集した地形をオンラインで推定するが、SLAMには達していない。
このようなモデルが既に強力な幾何学的能力を提供しており、SLAMに対する中心的な疑問は、どのように推論をスケジュールし、結果を変更可能な状態に保つかである。
我々はLingBot-Mapを凍結保存するMap2SLAMを提案し、軽量な検索ヘッドのみを訓練し、モデルの推論インターフェース上にSLAMを構築し、その予測を外部永続SLAM状態の観測に変換する。
フロントエンドは、モデルの因果ストリーミング推論ですべての受信フレームを追跡し、どのフレームがキーフレームとして永続的な状態に書き込まれるかを決定する。
バックエンドは、過去のフレームがいつ、どれで再観測するかを非同期に決定し、モデルのジョイント推論を新しいコンテキストで再実行し、検証されたループ観察によってオンラインの軌道が修正され、セグメント観察によってシーケンス後の密度の高い幾何学が洗練される。
すべての呼び出しはイメージごとに1フレームのエンコーダパスを共有し、キャッシュされた機能はループ検索を駆動するので、頻繁に再起動されるため、追加のエンコーダコストは発生しない。
Map2SLAMは、KITTI、VBR、Oxford Spiresで最先端のパフォーマンスを実現し、最高の未調整ベースラインと比較して平均ATEを40%以上削減すると同時に、NVIDIA RTX 5090D GPUで518\times154ドルの解像度で28 FPS以上のリアルタイムトラッキングを維持する。
プロジェクトページはhttps://robbyant-research.github.io/Map2SLAM/。
関連論文リスト
- HiP3R: Hierarchical Pose Graphs for Long-Horizon 3D Reconstruction [65.91699979478172]
長いビデオは、グローバルな一貫性を達成するために重なり合うチャンクとして処理されなければならない。
HiP3Rはこのトレードオフを階層的なポーズグラフを使って解決する。
複数のベンチマークによる実験では、HiP3Rの有効性が示されている。
論文 参考訳(メタデータ) (2026-10-22T17:51:10Z) - CLoSeR: Closing the Loop for Long-Context Streaming Reconstruction [73.50453415100519]
本稿では,ストリーミング再生基盤モデルを用いてループ閉鎖を再検討し,正確なドリフトフリー・キロメートルスケールの復元を可能にする。
提案手法は,グローバルな記述子検索によりループ候補を検出し,ループ条件付きウィンドウを構築し,ループフレーム間の相対的なポーズを推定する。
実験により, ドリフトを低減し, キロメートルスケールの配列上で一貫した幾何を生成できることが確認された。
論文 参考訳(メタデータ) (2026-10-01T15:59:53Z) - StreamRig: Exploiting Intra-Rig Geometry for Streaming Multi-Camera Odometry [26.225014491262424]
StreamRigは、凍結したマルチビュー3Dファンデーションモデルに基づいてキャリブレーションを行うための因果ストリーミングオドメトリーを構築する。
我々は,NCLT,Tartan,KITTI-360,および自己コンパイル型ヒューマノイドロボットデータセットZJHについて評価を行った。
論文 参考訳(メタデータ) (2026-09-30T17:34:58Z) - Accelerating Transformer-Based Monocular SLAM via Geometric Utility Scoring [35.53949236541258]
LeanGateは軽量なフィードフォワードフレームゲーティングネットワークである。
フレームのマッピング値を評価するための幾何学的ユーティリティスコアを予測する。
予測的なプラグアンドプレイモジュールとして、我々のアプローチは冗長フレームの90%以上をバイパスする。
論文 参考訳(メタデータ) (2026-04-09T19:12:37Z) - Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。
このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。
提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
論文 参考訳(メタデータ) (2025-08-06T16:16:58Z) - Loopy-SLAM: Dense Neural SLAM with Loop Closures [53.11936461015725]
ポーズをグローバルに最適化するLoopy-SLAMと高密度3Dモデルを導入する。
我々は,データ駆動のポイントベースサブマップ生成手法を用いてフレーム・ツー・モデル追跡を行い,グローバルな位置認識を行うことで,オンラインのループクロージャをトリガーする。
合成Replicaおよび実世界のTUM-RGBDおよびScanNetデータセットの評価は、既存の高密度ニューラルネットワークRGBD SLAM法と比較して、追跡、マッピング、レンダリングの精度の競争力または優れた性能を示す。
論文 参考訳(メタデータ) (2024-02-14T18:18:32Z) - Recurrence without Recurrence: Stable Video Landmark Detection with Deep
Equilibrium Models [96.76758318732308]
本稿では,最近提案されたDeep Equilibrium Model (DEQ) が,この計算形式に自然に適応可能であることを示す。
我々のLandmark DEQ(LDEQ)は、WFLW顔ランドマークデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-04-02T19:08:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。