僅憑RGB圖像實(shí)現(xiàn)戶外場景高精度定位與重建，來自港科廣團(tuán)隊 | ICRA 25

作者：量子位 2025-03-19 10:00:41

人工智能新聞

港科廣團(tuán)隊提出全新解決方案——OpenGS-SLAM。僅憑RGB圖像實(shí)現(xiàn)高精度定位與逼真場景重建。

從自動駕駛、機(jī)器人導(dǎo)航，到AR/VR等前沿應(yīng)用，SLAM都是離不開的核心技術(shù)之一。

現(xiàn)有基于3D高斯分布（3DGS）的SLAM方法雖在室內(nèi)場景表現(xiàn)出色，但使用僅RGB輸入來處理無界的戶外場景仍然面臨挑戰(zhàn)：

準(zhǔn)確的深度和尺度估計困難，這影響了姿態(tài)精度和3DGS初始化
圖像重疊有限且視角單一，缺乏有效的約束，導(dǎo)致訓(xùn)練難以收斂

為了解決上述挑戰(zhàn)，港科廣團(tuán)隊提出全新解決方案——OpenGS-SLAM。僅憑RGB圖像實(shí)現(xiàn)高精度定位與逼真場景重建。

△OpenGS-SLAM管線示意圖

具體來說，研究人員采用了一個點(diǎn)圖回歸網(wǎng)絡(luò)來生成幀間一致的點(diǎn)圖。

這些點(diǎn)圖儲存了來自多個標(biāo)準(zhǔn)視角的3D結(jié)構(gòu)，包含了視角關(guān)系、2D到3D的對應(yīng)關(guān)系和場景幾何信息。這使得相機(jī)位姿估計更加穩(wěn)健，有效緩解了預(yù)訓(xùn)練深度網(wǎng)絡(luò)的誤差問題。

此外，OpenGS-SLAM將相機(jī)位姿估計與3DGS渲染集成到一個端到端可微的管道中。通過這種方式，實(shí)現(xiàn)了位姿和3DGS參數(shù)的聯(lián)合優(yōu)化，顯著提高了系統(tǒng)的跟蹤精度。

研究人員還設(shè)計了一種自適應(yīng)比例映射器和動態(tài)學(xué)習(xí)率調(diào)整策略，能夠更準(zhǔn)確地將點(diǎn)圖映射到3DGS地圖表示。

值得注意的是，在Waymo數(shù)據(jù)集上的實(shí)驗(yàn)表明，OpenGS-SLAM將追蹤誤差降低至現(xiàn)有3DGS方法的9.8%。研究人員還在新視角合成任務(wù)上建立了一個新的基準(zhǔn)，達(dá)到了最先進(jìn)的結(jié)果。

基于3DGS表示的RGB-only SLAM系統(tǒng)

來看具體技術(shù)細(xì)節(jié)。

在OpenGS-SLAM的管線示意圖可以看到，每一幀都會輸入一張RGB圖像用于追蹤。

當(dāng)前幀和上一幀作為圖片對輸入到Pointmap回歸網(wǎng)絡(luò)進(jìn)行位姿估計，隨后基于當(dāng)前的3D高斯地圖進(jìn)行位姿優(yōu)化。

在關(guān)鍵幀處，系統(tǒng)執(zhí)行地圖更新，并通過自適應(yīng)尺度映射器（Adaptive Scale Mapper）對Pointmap進(jìn)行處理，以插入新的3D高斯點(diǎn)。

此外，相機(jī)位姿與3D高斯地圖會在局部窗口內(nèi)進(jìn)行聯(lián)合優(yōu)化，確保更精準(zhǔn)的追蹤與場景重建。

追蹤

幀間點(diǎn)圖回歸與位姿估計

之前基于3DGS和NeRF的SLAM工作，主要集中在室內(nèi)和小規(guī)模場景中，其中相機(jī)的運(yùn)動幅度較小，視角密集。在這種情況下，NeRF或3DGS可以直接用于優(yōu)化相機(jī)位姿。

然而，戶外場景通常涉及基于車輛的攝影，特征是運(yùn)動幅度較大且視角相對稀疏。這使得直接優(yōu)化相機(jī)位姿難以收斂。

鑒于點(diǎn)圖包含視角關(guān)系、2D到3D的對應(yīng)關(guān)系和場景幾何信息，OpenGS-SLAM團(tuán)隊提出了一種基于幀間點(diǎn)圖回歸網(wǎng)絡(luò)的位姿估計方法，旨在實(shí)現(xiàn)穩(wěn)健且快速的當(dāng)前幀相機(jī)位姿估計。

他們利用一個預(yù)訓(xùn)練的點(diǎn)圖回歸網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)合了ViT編碼器、帶有自注意力和交叉注意力層的Transformer解碼器以及一個MLP回歸頭，生成連續(xù)幀圖像的點(diǎn)圖。特別地，兩個圖像分支之間的信息共享有助于點(diǎn)圖的正確對齊。

盡管應(yīng)用點(diǎn)圖可能看起來有些反直覺，但它能夠在圖像空間中有效表示3D形狀，并且允許在不同視角的射線之間進(jìn)行三角測量，而不受深度估計質(zhì)量的限制。隨后，團(tuán)隊使用穩(wěn)健且廣泛應(yīng)用的RANSAC和PnP來推斷兩幀之間的相對姿態(tài)，使用這種方法，可以估計第k幀的位姿為：。

位姿優(yōu)化

為了實(shí)現(xiàn)精確的相機(jī)位姿追蹤，團(tuán)隊基于3DGS可微光柵化管道，構(gòu)建了一套可微的相機(jī)位姿優(yōu)化方法。

定義光度損失為：

其中表示每個像素的可微渲染函數(shù)，通過高斯和相機(jī)位姿生成圖像，表示真實(shí)圖像。光度損失關(guān)于位姿

的梯度為：

通過這些步驟，利用渲染函數(shù)的微分，將增量位姿更新與光度損失緊密關(guān)聯(lián)。這一策略使得相機(jī)位姿能夠基于3DGS 渲染結(jié)果進(jìn)行端到端優(yōu)化，從而確保高精度且穩(wěn)定的位姿跟蹤。

3DGS場景表示

研究人員使用3DGS作為場景表示，提出自適應(yīng)尺度映射器（Adaptive Scale Mapper），在關(guān)鍵幀時為地圖插入新的高斯點(diǎn)。

利用先前獲得的點(diǎn)圖來映射3D高斯地圖，由于幀間點(diǎn)圖存在尺度不穩(wěn)定的問題，研究人員基于點(diǎn)匹配關(guān)系計算連續(xù)幀之間的相對尺度變化因子，以確保整個場景的尺度一致性。

建圖

高斯地圖優(yōu)化

管理一個局部關(guān)鍵幀窗口,以選擇觀察相同區(qū)域的非冗余關(guān)鍵幀，為后續(xù)的建圖優(yōu)化提供更高效的多視角約束。在每個關(guān)鍵幀上，通過聯(lián)合優(yōu)化窗口中的高斯屬性和相機(jī)位姿來實(shí)現(xiàn)局部BA。

優(yōu)化過程仍然通過最小化光度損失進(jìn)行。為了減少高斯橢球體的過度拉伸，研究人員采用了各向同性正則化：

高斯地圖優(yōu)化任務(wù)可以總結(jié)為：

自適應(yīng)學(xué)習(xí)率調(diào)整

在經(jīng)典的室內(nèi) SLAM 數(shù)據(jù)集中，相機(jī)通常圍繞小范圍場景運(yùn)動并形成閉環(huán)，使高斯優(yōu)化的學(xué)習(xí)率隨迭代次數(shù)逐漸衰減。然而，戶外數(shù)據(jù)由前向車輛相機(jī)捕獲，所經(jīng)過區(qū)域不會重訪，因此需要不同的學(xué)習(xí)率衰減策略。

為此，研究人員提出了一種基于旋轉(zhuǎn)角度的自適應(yīng)學(xué)習(xí)率調(diào)整策略：當(dāng)車輛沿直路行駛時，學(xué)習(xí)率逐步衰減；在遇到坡道或轉(zhuǎn)彎時，動態(tài)提升學(xué)習(xí)率，以更有效地優(yōu)化新場景。

首先，計算當(dāng)前關(guān)鍵幀和上一關(guān)鍵幀之間的旋轉(zhuǎn)矩陣和，其相對旋轉(zhuǎn)矩陣為：

接著計算旋轉(zhuǎn)弧度：

接著將弧度轉(zhuǎn)換為度數(shù)，并根據(jù)以下公式調(diào)整累計迭代次數(shù)：

當(dāng)旋轉(zhuǎn)角度達(dá)到90度時，累積迭代次數(shù)將被重置。

實(shí)驗(yàn)結(jié)果

如下圖所示，在Waymo數(shù)據(jù)集的無界戶外場景上，OpenGS-SLAM能渲染高保真的新視角圖片，準(zhǔn)確捕捉車輛、街道和建筑物的細(xì)節(jié)。相比之下，MonoGS和GlORIE-SLAM存在渲染模糊和失真的問題。

如下圖所示，OpenGS-SLAM擁有明顯更優(yōu)的追蹤性能，在面臨大轉(zhuǎn)彎時也能穩(wěn)定收斂。

精度方面，OpenGS-SLAM在Waymo數(shù)據(jù)集上實(shí)現(xiàn)了新視角合成（NVS）的最佳性能。在追蹤精度方面，與GlORIE-SLAM相當(dāng)；而相比同樣基于3DGS的SLAM方法MonoGS，OpenGS-SLAM誤差降低至 9.8%，顯著提升了系統(tǒng)的魯棒性和準(zhǔn)確性。