LAPS：利用主動池化和採樣改進神經距離場的增量式LiDAR建圖
論文提出LAPS框架，通過基於可靠性的主動池化和不確定性引導的主動採樣，有效緩解增量式神經距離場建圖中的災難性遺忘問題，在保持幾何精度的同時提高了重建完整性。
近日，一篇題為《LAPS: Improving Incremental LiDAR Mapping using Active Pooling and Sampling for Neural Distance Fields》的論文被2026年RA-L會議接收。該研究由Dongjae Lee等人完成，專注於解決增量式LiDAR建圖中的一個關鍵挑戰：災難性遺忘。
神經距離場為3D幾何提供了緊湊且連續的表示，非常適用於增量式LiDAR建圖。然而，在在線優化過程中，新觀測數據可能會破壞先前重建的幾何結構，導致災難性遺忘，即模型在學習了新數據後忘記之前學到的知識。現有的解決方法通常採用回放訓練，即存儲歷史樣本並在訓練中重放。但傳統方法依賴被動的回放緩衝區和均勻採樣，存在兩個問題：一是將內存浪費在冗餘觀測上，二是對約束薄弱區域的訓練不足。
為此，研究者提出了LAPS框架，這是一種用於增量式神經建圖的回放管理方案。LAPS包含兩個核心組件：基於可靠性的主動池化（Active Pooling）和不確定性引導的主動採樣（Active Sampling）。主動池化在有限的內存下優先保留可靠的歷史樣本，避免存儲冗餘數據；主動採樣則通過不確定性估計，將優化資源聚焦於那些當前模型預測不夠準確的區域，從而更有效地利用計算資源。
實驗在合成數據集和真實世界基準測試上進行，結果表明LAPS在保持競爭性幾何精度的同時，一致地提升了重建的完整性。具體來説，在牛津Spires數據集的Blenheim Palace 05序列上，與PIN-SLAM相比，LAPS將召回率提高了4.66個百分點，F1分數提高了3.79個百分點。這些改進驗證了主動回放管理策略的有效性。
該研究不僅為增量式LiDAR建圖提供了實用的解決方案，也推動了神經隱式表示在機器人感知領域的應用。研究者已在GitHub上開源了代碼，便於後續研究和復現。