coVoxSLAM: GPU Accelerated Globally Consistent Dense SLAM

密集的SLAM系统对于移动机器人至关重要，因为它提供了定位，并允许在非结构化环境中进行导航、路径规划、避障和决策。由于计算需求不断增加，GPU在密集SLAM中的应用正在扩大。在这项工作中，我们提出了coVoxSLAM，这是一种新型的基于GPU加速的体素SLAM系统，充分利用了GPU的并行处理能力，即使在大规模环境中也能构建全局一致的地图。该系统部署在不同的平台（离散GPU和嵌入式GPU）上，并与现有技术进行了比较。使用公共数据集获得的结果表明，coVoxSLAM在保持准确定位的同时，显著提高了执行时间的性能。所提出的系统已在GitHub上以开源形式发布，地址为https://github.com/lrse-uba/coVoxSLAM。

该论文试图解决移动机器人在无结构环境中进行高效、准确的定位和建图的问题。这是一个持续存在的挑战，尤其是在大规模环境中，传统的CPU方法难以满足实时性和精度要求。

论文提出了一种名为coVoxSLAM的GPU加速的体积SLAM系统，利用GPU的强大并行处理能力来构建全局一致的地图。这一方法不仅提高了执行效率，还保持了高精度的定位，适用于不同平台（包括离散GPU和嵌入式GPU）。

论文通过在多个公共数据集上的实验，展示了coVoxSLAM在执行时间上的显著性能提升，同时保持了准确的定位。此外，该系统已作为开源项目发布在GitHub上，便于其他研究人员和开发者使用和改进。未来的工作可以进一步探索在更复杂环境中的应用，以及与其他感知模块的集成。

近期在这个领域的一些相关研究包括： 1. "Real-time Monocular Dense SLAM with Semantic Segmentation" - 该研究结合了语义分割技术，提高了SLAM系统的鲁棒性。 2. "DenseSLAM: A Volumetric SLAM System for Large-Scale Environments" - 提出了另一种用于大规模环境的体积SLAM系统，但主要集中在CPU实现上。 3. "GPUSLAM: Real-Time Dense SLAM on a GPU" - 早期探索了GPU在SLAM中的应用，但没有像coVoxSLAM那样全面优化性能和精度。