Wetenschappers hebben een innovatief systeem ontwikkeld genaamd NSL-SLAM, dat de precisie van dieptemetingen en de reconstructie van ruimtes naar een hoger niveau tilt. Door gebruik te maken van neurale gestructureerd licht kan dit framework de beperkingen van traditionele sensing-methoden overwinnen, wat essentieel is voor autonome navigatie en robotica.
De technologie achter NSL-SLAM is gebaseerd op het optimaliseren van structured-light (SL) camera's. Deze sensoren worden reeds op grote schaal ingezet in consumentenelektronica voor dieptewaarneming. De kern van de nieuwe ontwikkeling is de integratie van sterke monoculaire diepte-priors binnen de SL-stereo decodering. Volgens een arxiv.org resulteerde deze aanpak in een aanzienlijke verbetering van de meetprecisie, waarbij de root mean square error (RMSE) op de Replica-SL benchmark met 35% daalde ten opzichte van eerdere neurale methoden.
In de wereld van de robotica is Simultaneous Localization and Mapping, beter bekend als slacom, een cruciaal proces waarbij een apparaat gelijktijdig zijn positie bepaalt en een kaart van de omgeving tekent. Waar veel bestaande systemen primair vertrouwen op visuele kenmerken uit beelden, kiest NSL-SLAM voor een 'diepte-centrische' benadering. Omdat de data van gestructureerd licht metrisch accuraat en dicht zijn, worden deze gegevens als het belangrijkste signaal voor tracking gebruikt.
Om de betrouwbaarheid van het systeem te garanderen, hebben de ontwikkelaars twee veiligheidsmechanismen ingebouwd. Enerzijds worden sparse visuele correspondenties ingezet wanneer de geometrische data onvoldoende zijn. Anderzijds wordt een lichtgewicht bundle adjustment toegepast om cumulatieve fouten, ook wel drift genoemd, over lange afstanden te corrigeren. Deze synergie zorgt ervoor dat de verbeterde dieptemetingen direct bijdragen aan een stabielere 3D-reconstructie.
De prestaties van het systeem zijn uitgebreid getest op zowel synthetische als echte data. Op de Replica-SL benchmark behaalde NSL-SLAM niet alleen de hoogste tracking-nauwkeurigheid, maar verbeterde ook de F-score voor reconstructie met 1,6 punten ten opzichte van de huidige standaarden. In praktijktests over acht verschillende scenario's bleek het systeem superieur aan andere methoden. Zo stelt de dat NSL-SLAM de enige methode was die in alle geteste sequenties catastrofale fouten wist te voorkomen, met een trajectafwijking die 43,3% lager lag dan bij de baselines.
Naast de technische precisie is ook de snelheid van het systeem opvallend. NSL-SLAM functioneert online met een snelheid van 20,9 frames per seconde, wat real-time toepassingen mogelijk maakt. De resultaten, gedetailleerd beschreven in het , tonen aan dat de combinatie van neurale decodering en een diepte-georiënteerd ontwerp de praktische inzetbaarheid van gestructureerd licht in complexe omgevingen aanzienlijk vergroot.