LAPS：能動的プーリングとサンプリングによるニューラル距離場のインクリメンタルLiDARマッピングの改善
本論文では、信頼性ベースの能動的プーリングと不確実性誘導の能動的サンプリングを組み合わせ、インクリメンタルなニューラル距離場マッピングにおける破滅的忘却に対処するリプレイ管理フレームワークLAPSを提案する。幾何学的精度を維持しながら再構成の完全性を向上させる。
最近、RA-L 2026に採択された論文「LAPS: Improving Incremental LiDAR Mapping using Active Pooling and Sampling for Neural Distance Fields」が発表された。Dongjae Leeらによる本研究は、インクリメンタルLiDARマッピングにおける重要な課題である破滅的忘却に焦点を当てている。
ニューラル距離場は3次元形状をコンパクトかつ連続的に表現できるため、インクリメンタルLiDARマッピングに適している。しかし、オンライン最適化では新しい観測によって以前に再構成された形状が劣化する破滅的忘却が発生しやすい。既存のリプレイベースのトレーニング手法では、受動的なリプレイバッファと一様サンプリングに依存することが多く、冗長な観測でメモリを浪費し、拘束の弱い領域が十分に学習されないという問題があった。
そこで研究チームは、インクリメンタルニューラルマッピングのためのリプレイ管理フレームワークLAPSを提案した。LAPSは、信頼性ベースの能動的プーリング（Active Pooling）と不確実性誘導の能動的サンプリング（Active Sampling）を組み合わせる。能動的プーリングは限られたメモリ内で信頼性の高い歴史的サンプルを保持し、能動的サンプリングは最適化を拘束の弱い領域に集中させる。合成および実世界のベンチマーク実験により、LAPSは競争力のある幾何学的精度を維持しながら再構成の完全性を一貫して向上させることが示された。特にOxford SpiresデータセットのBlenheim Palace 05シーケンスでは、PIN-SLAMと比較して再現率が4.66ポイント、F1スコアが3.79ポイント向上した。
本研究は、インクリメンタルLiDARマッピングに効果的な解決策を提供するだけでなく、ロボット知覚におけるニューラル暗黙表現の応用を促進する。ソースコードはGitHubで公開されている。