동시적 위치추정 및 지도작성(Simultaneous Localization and Mapping, SLAM)은 자율주행, 모바일 로보틱스, 혼합현실 등 다양한 분야에서 핵심적인 역할을 해왔다. RGB-D 카메라 시스템을 활용하는 밀집 시각 SLAM은 장점을 제공하지만, 대규모 장면에 대해 실시간 성능, 강건성, 확장성을 달성하는 데 어려움이 있다. 최근에는 신경 암시적 장면 표현을 사용하는 접근들이 가능성을 보이지만, 높은 계산 비용과 메모리 요구량이라는 한계를 겪는다. ESLAM은 평면 기반 텐서 분해를 도입했으나, 여전히 메모리 증가 문제로 어려움을 겪었다. 이러한 과제를 해결하기 위해, 저랭크 텐서 분해 기법을 활용하는 보다 효율적인 시각 SLAM 모델인 LRSLAM을 제안한다. 우리의 접근은 6축(Six-axis)과 CP 분해를 활용함으로써, 기존의 최신 기술 대비 더 나은 수렴 속도, 메모리 효율성, 그리고 재구성/위치추정 품질을 달성한다. 다양한 실내 RGB-D 데이터셋에 대한 평가는 LRSLAM이 매개변수 효율성, 처리 시간, 정확도 측면에서 우수한 성능을 보이며, 재구성 및 위치추정 품질을 유지함을 보여준다. 본 연구의 코드는 출판 시 공개될 예정이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.