VGGT-SLAM++

Abstract

本稿では、Visual Geometry Grounded Transformer（VGGT）の幾何学的に情報量の多い出力を活用する、完全なビジュアルSLAMシステムであるVGGT-SLAM++を提案します。本システムは、VGGTのフィードフォワード・トランスフォーマーとSim(3)解を融合するビジュアルオドメトリ（フロントエンド）、Digital Elevation Map（DEM）に基づくグラフ構築モジュール、および、メモリ使用量に上限を設けたまま正確な大規模マッピングを可能にするバックエンドから構成されます。先行するVGGT-SLAMのようなトランスフォーマーベースのSLAMパイプラインでは、主に疎なループクロージャや大域的なSim(3)マニフォールド制約に依存するため、短いホライズンでのポーズドリフトが許容されていました。VGGT-SLAM++では、空間的に修正するバックエンドにより、高い更新頻度でローカルバンドル調整（LBA）を復元します。各VGGTサブマップについて、密な平面正準DEMを構築し、それをパッチに分割したうえで、DINOv2埋め込みを計算してサブマップを共視性（covisibility）グラフに統合します。空間的近傍は、共視性ウィンドウ内でVisual Place Recognition（VPR）モジュールを用いて取得し、頻繁なローカル最適化をトリガすることで軌跡を安定化させます。標準的なSLAMベンチマークにおいて、VGGT-SLAM++は最先端の精度を達成し、短期ドリフトを大幅に低減し、グラフの収束を加速し、コンパクトなDEMタイルと準線形（sublinear）な検索により大域的整合性を維持します。