ORB-SLAM3: 視覚・視覚慣性・マルチマップSLAMのための高精度オープンソースライブラリ
1分まとめ
ORB-SLAM3は、単眼・ステレオ・RGB-Dカメラとピンホール・魚眼モデルに対応し、MAP推定に基づく高速IMU初期化と高再現率の位置認識によるマルチマップ融合を備えた最初の視覚・視覚慣性SLAMシステムである。EuRoCデータセットのステレオ慣性設定で平均RMS ATE 3.5 cmを達成し、先行手法より2〜10倍高精度と報告している。
- ORB-SLAM3は、単眼・ステレオ・RGB-Dに対応し、視覚・視覚慣性・マルチマップSLAMを統合した最初のオープンソースシステムである。
- EuRoCデータセットの全11シーケンスにおいて、ステレオ慣性設定で平均RMS ATE 3.5 cmを達成し、既存手法より2〜10倍高精度と報告している。
- MAP推定に基づくIMU初期化により、2秒でスケール誤差5%を達成し、15秒で1%に収束する。
- 高再現率の位置認識により、トラッキング喪失後に新しいマップを作成し、再訪時に既存マップとシームレスにマージすることが可能になった。
- 評価はEuRoCとTUM-VIデータセットに限定されており、実車両や長期間の屋外環境での検証は行われていない。
課題
従来の視覚SLAMシステムは短期的なデータ対応（VO）しか利用できず、ドリフトが蓄積する。ORB-SLAM2は中期的・長期的データ対応を統合していたが、IMU初期化に15秒かかり、トラッキング喪失時にはマップを再利用できなかった。また、既存の位置認識はDBoW2の時間的一貫性チェックにより再現率が低く、ループ閉じやマップ再利用が遅れる問題があった。
提案手法
ORB-SLAM3は、ORB-SLAM2とORB-SLAM-VIを拡張したシステムで、3つの新規性を持つ。(1) 視覚のみのSLAMで2秒間の初期マップを作成した後、慣性のみのMAP推定でスケール・重力方向・IMUバイアスを推定し、最後に視覚慣性BAで全体を最適化する3段階のIMU初期化を提案。慣性センサの不確かさを明示的に考慮する。(2) DBoW2の候補キーフレームに対し、まず幾何検証を行い、次に共視キーフレーム3枚での局所一貫性を確認する新しい位置認識アルゴリズムにより、再現率を向上させた。(3) 複数の切断されたマップを管理するAtlas表現を導入し、位置認識・リローカライゼーション・ループ閉じ・マップ融合をシームレスに行う。カメラモデルを抽象化し、ピンホールと魚眼（Kannala-Brandt）モデルをサポートする。
評価と結果
EuRoCデータセット（11シーケンス、RMS ATE）で4つのセンサ設定を評価。ステレオ慣性で平均ATE 3.5 cm、単眼慣性で4.3 cm、ステレオで8.4 cm、単眼で4.1 cm。比較対象は、ステレオ慣性ではVINS-Fusion（13.8 cm）やKimera（11.9 cm）を上回り、単眼慣性ではVINS-Mono（11.0 cm）やVI-DSO（8.9 cm）を上回った。TUM-VIデータセットでは、ステレオ慣性でroom1〜room6の平均RMS ATE 0.9 cmを達成。マルチセッションではEuRoC Machine Hall（MH01-05）で単眼慣性がVINS-Monoの0.210 mに対し0.065 mと3.2倍高精度。すべてCPUのみ（Intel Core i7-7700）でリアルタイム動作（30-40 FPS）。評価はすべてオープンループで、シミュレーションではない実データセット。
EuRoCデータセットにおける平均RMS ATE比較
| センサ設定 | ORB-SLAM3 (m) | 比較対象 (m) | 比較対象システム |
|---|---|---|---|
| 単眼 | 0.041 | 0.047 | ORB-SLAM |
| ステレオ | 0.084 | 0.044 | ORB-SLAM2 |
| 単眼慣性 | 0.043 | 0.110 | VINS-Mono |
| ステレオ慣性 | 0.035 | 0.138 | VINS-Fusion |
新規性
既存のORB-SLAM2とORB-SLAM-VIを基盤に、MAP推定に基づく高速IMU初期化と再現率の高い位置認識によるマルチマップ融合を初めて統合した点に新規性がある。
限界
論文の結論で著者は低テクスチャ環境を主な失敗ケースとして挙げており、直接法（DSO等）の方がロバストであると述べている。評価はEuRoCとTUM-VIの2データセットに限定され、実車両や長期間の屋外運用は検証されていない。TUM-VIの屋外シーケンスではスケールと加速度計バイアスのドリフトにより10〜70 mの誤差が生じると報告されている。また、計算時間の比較はORB-SLAM2とのみ行われ、他システムとの比較はされていない。当時はAutoWare等の後続研究がこのシステムを基礎として使用したが、本論文の時点ではまだなかった。
産業へのインパクト
この論文は、視覚慣性SLAMとマルチセッションSLAMの実用的な標準を確立した。オープンソースで完全なシステムを提供し、その後の多くのロボティクス研究・実装の基盤となった。日本の自動車産業にとっても、カメラとIMUを統合した高精度な自己位置推定のベースラインとして重要であり、特に魚眼カメラやマルチセッション運用（同じ駐車場や工場内での繰り返し走行）の要件に直接対応する成果である。