arXiv cs.AI· Jiahui Fu, Yilun Du, Kurran Singh, Joshua B. Tenenbaum, John J. Leonard·· 3 天前AI 评分22
NeuSE：面向长期物体级 SLAM 的神经 SE(3) 等变嵌入
NeuSE: Neural SE(3)-Equivariant Embedding for Long-Term Object-Based Simultaneous Localization and Mapping
AI 导读
研究提出 NeuSE，一种由部分物体观测生成的神经 SE(3) 等变潜在物体嵌入，可作为完整物体模型的紧凑点云替代，编码物体的完整形状、尺度与变换信息。其推断出的潜在编码同时具备 SE(3) 与尺度等变性，可直接推导相对帧变换，并兼容通用 SLAM 位姿图优化。在合成与真实序列上的评估显示，该方法独立使用或作为常见 SLAM 流程的补充时，均提升了定位能力与变化感知的建图一致性。
正文 · AI 翻译
摘要：我们提出了 NeuSE，一种新颖的物体神经 SE(3) 等变嵌入，并展示它如何支持基于物体的同时定位与建图（SLAM），以实现对长期场景变化保持一致的空间理解。NeuSE 是一组由部分物体观测生成的潜在物体嵌入。它作为完整物体模型的紧凑点云替代，编码了物体的完整形状、尺度和变换信息。此外，推断出的潜在编码同时具有 SE(3) 和尺度等变性，能够强泛化到未见尺寸和不同 SE(3) 位姿的物体。这使得 NeuSE 在物体尺寸或空间配置可能变化的现实场景中尤为有效。借助 NeuSE，相对帧变换可以直接从推断出的潜在编码中导出。我们提出的 SLAM 范式使用 NeuSE 进行物体形状、尺寸和位姿表征，可以独立运行，也可以与典型 SLAM 系统协同运行。它直接推断出与通用 SLAM 位姿图优化兼容的 SE(3) 相机位姿约束，同时维护一个轻量级、以物体为中心且能适应现实世界变化的地图。我们在合成和真实世界序列上进行了评估，这些序列包含受控和非受控设置下的变化，并涉及各种形状和尺寸的多类别物体。我们的方法在独立运行或作为常见 SLAM 流程的补充时，均展现出改进的定位能力和变化感知的建图一致性。更多结果见补充视频：this https URL
| 评论： | 已被 The International Journal of Robotics Research (IJRR) 接收。补充视频：this https URL |
| 主题： | 机器人学 (cs.RO)；人工智能 (cs.AI)；计算机视觉与模式识别 (cs.CV)；机器学习 (cs.LG) |
| 引用为： | arXiv:2303.07308 [cs.RO] |
| （或 arXiv:2303.07308v3 [cs.RO] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2303.07308 由 DataCite 提供的 arXiv 颁发 DOI |
|
| 期刊 参考： | The International Journal of Robotics Research 45(1), 159-189 (2026) |
| 相关 DOI： | https://doi.org/10.1177/02783649251355966
链接到相关资源的 DOI |
提交历史
来自：Jiahui Fu [查看邮箱]
[v1]
2023年3月13日星期一 17:30:43 UTC (9,322 KB)
[v2]
2023年7月10日星期一 12:33:04 UTC (10,478 KB)
[v3]
2026年10月13日星期二 03:15:29 UTC (48,419 KB)
来源：arXiv cs.AI · arxiv.org