GO-SLAM
位姿估计效果很好，有高效的回环检测和 full BA（每个关键帧），适用于单目、双目和 RGB-D。
一、简介
消费级深度传感器容易产生噪声，这就导致 RGB-D SLAM 会丢失一些几何细节，导致过度平滑。使用轻量级的相机传感器是一种趋势，然而，它们的 representations（点云、曲面、volume）在形状提取时缺乏灵活性，重建的准确度就会下降。
基于 NeRF 的视觉 SLAM 可以在小尺度场景中实现精确的三维重建和相机位姿估计。然而目前的工作由于缺乏全局在线优化，如 loop closure 和 全局 BA，会导致随着帧数的增加，相机偏移误差累积，三维重建会迅速崩溃。
GO-SLAM 就是完善这些工作的。
二、相关
Online 3D Reconstruction and SLAM
采用离散和有限的表征（基于点、面或体素），会出现位姿误差累积和重建失真。DROID-SLAM 使用神经网络来利用图像中更丰富的环境信息，但它仅在离线状态下，即在跟踪结束时执行全局 BA。但是在线 BA 对于即时漂移校正很重要。
NeRF-based Visual SLAM
在视觉 SLAM 中使用神经隐式表征实现了更好的场景完整性，特别是对于未观察到的区域，而且还能以任意分辨率进行连续三维建模。像代表性的 iMAP等适用于 RGB-D 环境，还有一些工作移除了深度传感器，Orbeez-slam 使用 ORB-SLAM2 进行准确的位姿估计，但没有 LC 和 full BA。
三、方法
3.1. Tracking with Global Optimization
GO-SLAM 在前端的跟踪中，如果观察到足够的运动，就会初始化一个关键帧，并且引入 LC。后端则进行 full BA。
Front-End Tracking
将单目、双目或 RGB-D 作为输入，并应用基于 RAFT 的循环更新算子计算每个新帧与上一关键帧相比的光流。如果平均光流大于阈值 τ flow，就会创建一个新的关键帧，并将其添加到关键帧缓冲区中。
使用关键帧集来构建关键帧图 (V，E)，以执行 LC。计算 N local 关键帧与所有 N KF 关键帧之间大小为 N local × N KF 的共视度矩阵。代码中，共视度是通过关键帧对之间的平均光流来表示的，使用反向投影过滤掉共视度低的关键帧对，即平均光流大于 τ co 的关键帧对。
在 local 关键帧之间，为共视度高或相邻的关键帧对建边。为了避免冗余，一旦关键帧图中添加了边（例如 KFi ↔KFj），就会抑制 i ± r local 与 j ± r local 之间所有可能的边，其中 r local 是表示时间半径的超参数。
回环检测按照共视度从高到低的顺序对边进行采样，并抑制半径为 r loop（= N local / 2，这使得 local 区域和一个重访区域之间只有一个闭合） 的相邻边。要 accept 一个候选循环，需要连续检测三个候选循环，如果它们的平均光流小于 τ co，就会进行验证。除了 local 关键帧内的边外，根据当前 local 区域被重访的次数，关键帧图中还会增加几条额外的循环边。一般来说，图中边的数量与 N local 成线性关系，上限为 N local × N local + 少数闭合。
通过相邻边抑制和共视度过滤，进一步限制了关键帧图中的边的数量，从而进一步保证了整个关键帧图（即整个前端）的优化效率。
之后，使用可微 Dense BA（DBA）来解决成本函数上的非线性最小二乘优化问题，以修正关键帧图中每个关键帧的相机位姿 G∈ SE(3) 和反深度 d：
其中，(i，j) ∈ E 表示关键帧图中的任意一条边，Πc 和 Πc- 1 是投影和反投影函数，pi 是关键帧 KFi 的反投影像素位置，Gij 是关键帧 KFi 到 KFj 的位姿变换、pij 和 wij 是预测光流和相关置信度图，Σij = diag wij ， ∥·∥Σ 是马哈拉诺比斯距离，根据置信度权重 wij 对误差项进行加权。成本函数允许更新相机位姿和每个像素深度，使其与 RAFT 预测的光流 pij 的兼容性最大化。为了提高效率，只计算与 local 关键帧的深度和位姿相关的雅可比。在计算每次迭代的残差和雅可比后，采用阻尼高斯-牛顿法找出所有 local 关键帧的最佳位姿和深度。
Back-End Tracking
为了解决 full BA 的效率问题，采用在单独的线程中在线运行 full BA，允许系统继续跟踪新帧并进行 LC。与前端跟踪类似，建立一个新的关键帧图，并插入共视度高和时间上相邻的关键帧对。由于最新关键帧的轨迹误差已通过 LC 以全局几何为特征进行了修正，因此降低了对 full BA 的实时性要求。
3.2. Instant Mapping
Keyframe Selection
在每次重建更新开始时，建图线程首先会对所有关键帧的位姿和深度进行快照，以确保一致性。在选择关键帧时，优先选择在优化更新上最相关的关键帧。
首先，确保总是包含最新的两个关键帧和那些没有经过优化的关键帧。然后，将所有关键帧按照当前和上次更新状态之间的位姿差降序排序，并从列表中选择前 10 个关键帧。最后，为了防止遗忘之前的图形，采用分层抽样的方法从所有可用的关键帧中选择 10 个关键帧。
Rendering
与 Instant-NGP 类似，在给定深度 D（由反深度 d 转换而来）、位姿 G 和每个选定关键帧的图像 I 的情况下，随机选择 M 个像素点进行训练。然后沿射线生成 N ray = N strat + N imp 总采样点，其中 N strat 个点使用分层抽样，而 N imp 点在深度值附近选择。对于每个采样点 x，将其映射为多分辨率哈希编码 hΘhash(x)，并在哈希表的每个条目中设置可训练的编码参数 Θhash。由于哈希编码 hΘhash(x) 明确存储了每个空间位置的几何和亮度信息，可以使用浅层网络预测 SDF Φ(x) 和颜色 Ω(x)。
SDF 网络 fΘsdf 由一个具有可学习参数 Θsdf 的 MLP 组成，将点位置 x 和相应的哈希编码 hΘhash(x) 作为输入，预测 SDF：
g 是学习到的几何特征向量。
颜色网络 fΘcolor 处理 g、x 和 SDF n 相对于 x 的梯度，预测颜色 Ω(x)：
其中，Θcolor 是颜色网络（即双层 MLP）的可学习参数。 每个像素/光线的深度和颜色都是按照 NeuS 的方法通过无偏体积渲染计算得出的。具体来说，对于沿射线的点 xi, i∈ {1, - - - , Nray}，给定相机中心 o、视图方向 v 和采样深度 Di，可表示为 xi = o + Di v。同时，该点的无偏终止概率模型为 wi = αi Π(1-αj) （j=1~i-1），其中不透明度值 αi 的计算公式为:
其中，σ 是modulated Sigmoid函数。在权重 w 的作用下，像素颜色 cˆ 和深度 Dˆ 的预测值沿射线累积：
Training Losses
为了优化渲染网络，以关键帧图像 I 和深度 D 为 gt，对选定的 M 个像素施加的 RGB 损失 Lc 和深度损失 Ldep 分别为 ：
Dˆ var 是预测深度方差，用于降低重建几何中不确定区域的权重。
对预测的 SDF 进行正则化处理。采用 Eikonal 项：
此外，为了监督 SDF 以实现精确重建，通过计算关键帧深度与采样点 xi 的距离来近似得到采样点 xi 的 gt SDF：
对于 SDF 的学习，有 |Φ(xi)| ≤ |b(xi)|, ∀xi。为了满足这一约束，对于近表面点（|b(xi)| ≤ τ trunc，其中 τ trunc 是一个超参数，表示截断阈值，设置为 16cm），SDF 损失定义为 L near = |Φ(xi) -b(xi)|，而对于其他地方采用宽松损失：
其中，β 是一个超参数，用于在自由空间中预测的 SDF Φ(xi) 为负值时进行惩罚。因此，总的 SDF 损失定义为：
总损失定义为：
四、实验
metrics：Absolute Trajectory Error(ATE) RMSE、Accuracy[cm], Completion [cm], Completion Ratio [< 5cm %]、F-score [< 5cm %]
引入 full BA 会降低 GO-SLAM 的速度，但会显著改善全局位姿估计。
