LAPS：利用主动池化和采样改进神经距离场的增量式LiDAR建图
论文提出LAPS框架，通过基于可靠性的主动池化和不确定性引导的主动采样，有效缓解增量式神经距离场建图中的灾难性遗忘问题，在保持几何精度的同时提高了重建完整性。
近日，一篇题为《LAPS: Improving Incremental LiDAR Mapping using Active Pooling and Sampling for Neural Distance Fields》的论文被2026年RA-L会议接收。该研究由Dongjae Lee等人完成，专注于解决增量式LiDAR建图中的一个关键挑战：灾难性遗忘。
神经距离场为3D几何提供了紧凑且连续的表示，非常适用于增量式LiDAR建图。然而，在在线优化过程中，新观测数据可能会破坏先前重建的几何结构，导致灾难性遗忘，即模型在学习了新数据后忘记之前学到的知识。现有的解决方法通常采用回放训练，即存储历史样本并在训练中重放。但传统方法依赖被动的回放缓冲区和均匀采样，存在两个问题：一是将内存浪费在冗余观测上，二是对约束薄弱区域的训练不足。
为此，研究者提出了LAPS框架，这是一种用于增量式神经建图的回放管理方案。LAPS包含两个核心组件：基于可靠性的主动池化（Active Pooling）和不确定性引导的主动采样（Active Sampling）。主动池化在有限的内存下优先保留可靠的歷史样本，避免存储冗余数据；主动采样则通过不确定性估计，将优化资源聚焦于那些当前模型预测不够准确的区域，从而更有效地利用计算资源。
实验在合成数据集和真实世界基准测试上进行，结果表明LAPS在保持竞争性几何精度的同时，一致地提升了重建的完整性。具体来说，在牛津Spires数据集的Blenheim Palace 05序列上，与PIN-SLAM相比，LAPS将召回率提高了4.66个百分点，F1分数提高了3.79个百分点。这些改进验证了主动回放管理策略的有效性。
该研究不仅为增量式LiDAR建图提供了实用的解决方案，也推动了神经隐式表示在机器人感知领域的应用。研究者已在GitHub上开源了代码，便于后续研究和复现。