LAPS: Improving Incremental LiDAR Mapping using Active Pooling and Sampling for Neural Distance Fields

Resumen Técnico: LAPS – Mejora del Mapeo Incremental con LiDAR mediante Agrupamiento Activo y Muestreo para Campos de Distancia Neurales

Enunciado del Problema
El mapeo 3D incremental utilizando campos de distancia neurales ofrece una representación compacta y continua de la geometría, lo que lo hace atractivo para aplicaciones de robótica a gran escala. Sin embargo, la optimización en línea de estas redes es susceptible al "olvido catastrófico", donde nuevas observaciones sobrescriben la geometría aprendida previamente, degradando la calidad de la reconstrucción. Si bien el entrenamiento basado en replay (almacenar muestras históricas para intercalarlas con datos actuales) es una solución estándar, los métodos existentes dependen de buffers de replay pasivos y muestreo uniforme. Estos enfoques sufren dos limitaciones principales bajo presupuestos fijos de memoria y optimización:

1. Retención Ineficiente: Las estrategias pasivas (por ejemplo, ventanas locales o colas de capacidad fija) a menudo sobre-representan las regiones escaneadas con frecuencia mientras descartan la supervisión de áreas observadas escasamente, lo que conduce a un desequilibrio espacial en las muestras.
2. Asignación Ineficiente: El muestreo aleatorio estándar durante la optimización revisa frecuentemente regiones bien restringidas, dejando áreas poco observadas o mal reconstruidas insuficientemente optimizadas. Esto resulta en mapas localmente precisos pero globalmente incompletos con estructuras faltantes.

Metodología
Los autores proponen LAPS (Aprendizaje con Agrupamiento Activo y Muestreo), un marco unificado de gestión de replay diseñado para optimizar tanto la retención de datos históricos como la asignación del esfuerzo de entrenamiento. El sistema opera sobre un campo de distancia neural parametrizado por una cuadrícula de vóxeles dispersa de múltiples resoluciones.

1. Agrupamiento Activo basado en Fiabilidad (Retención):
   Para gestionar las restricciones de memoria y reducir el desequilibrio espacial, LAPS filtra las muestras de entrenamiento entrantes antes de que ingresen al buffer de replay.

   • Ventanización Local: Las muestras se restringen primero a una ventana local alrededor del origen actual del sensor.
   • Limitación por Vóxel: Las muestras se asignan a vóxeles en la resolución más baja de la cuadrícula. Cada vóxel tiene una capacidad máxima limitada ($\tau$).
   • Clasificación por Fiabilidad: Cuando un vóxel excede la capacidad, el sistema retiene solo las $\tau$ muestras más "fiables". La fiabilidad se estima calculando el error cuadrático esperado de la distancia firmada proyectiva. Este modelo de error tiene en cuenta el sesgo sistemático (dependiente del ángulo de incidencia entre el rayo y la normal de la superficie) y la incertidumbre de la medición dependiente del rango. Se priorizan las muestras con menor error esperado, asegurando que las observaciones redundantes o ruidosas en regiones densas no desplacen a las muestras informativas de regiones dispersas.

2. Muestreo Activo Guiado por Incertidumbre (Asignación):
   Para optimizar el presupuesto limitado de entrenamiento en línea, LAPS dirige los esfuerzos de optimización hacia las regiones donde el modelo es más incierto.

   • Estimación de Incertidumbre: El sistema aproxima la incertidumbre del modelo (epistémica) utilizando una aproximación de Laplace alrededor de la estimación de máxima a posteriori (MAP). Utiliza un campo de perturbación parametrizado por una red neuronal y aproxima la covarianza posterior mediante la matriz de información de Fisher, asumiendo una priori gaussiana de media cero.
   • Construcción de Lotes: Los vóxeles en el buffer de replay se clasifican en conjuntos "inciertos" ($\sigma_e \ge \lambda$) y "ciertos". Durante las iteraciones de entrenamiento, los mini-lotes se construyen extrayendo un número específico de muestras del conjunto incierto y el resto del conjunto cierto. Esto asegura que las regiones sub-restringidas reciban más actualizaciones de entrenamiento sin descuidar completamente el resto del mapa.

Contribuciones Clave

• Formulación: El artículo plantea la gestión de replay como un cuello de botella crítico y poco explorado en el mapeo incremental con LiDAR neural, abordando específicamente las restricciones duales de memoria fija y presupuestos limitados de optimización en línea.
• Marco: La introducción de LAPS, que integra el agrupamiento activo basado en fiabilidad para mantener un buffer de replay compacto y equilibrado, y el muestreo activo guiado por incertidumbre para priorizar el entrenamiento en regiones sub-restringidas.
• Rendimiento: Demostración de que LAPS mejora la completitud de la reconstrucción (recall) y la consistencia global mientras mantiene una precisión geométrica competitiva, superando a las líneas base del estado del arte en conjuntos de datos sintéticos y del mundo real.

Resultados Experimentales
Los autores evaluaron LAPS en tres puntos de referencia: MaiCity (sintético), Newer College y Oxford Spires (mundo real).

• Rendimiento Cuantitativo: En la secuencia "Blenheim Palace 05" de Oxford Spires, LAPS mejoró el recall en 4,66 puntos porcentuales y la puntuación F1 en 3,79 puntos porcentuales sobre PIN-SLAM, una línea base neural sólida. En todos los conjuntos de datos, LAPS logró consistentemente las puntuaciones F1 más altas y distancias Chamfer-L1 más bajas en comparación con líneas base como SHINE-Mapping, N3-Mapping y PIN-SLAM.
• Mejoras Cualitativas: Las comparaciones visuales muestran que LAPS produce superficies más suaves y completas, con menos "artefactos flotantes" y geometrías faltantes en áreas complejas o poco observadas en comparación con las líneas base.
• Estudios de Ablación: Los experimentos confirmaron que ambos componentes contribuyen al rendimiento. El agrupamiento activo redujo significativamente el uso de memoria de replay (en aproximadamente un 56% en una prueba) y mejoró la completitud al mitigar el desequilibrio espacial. El muestreo activo mejoró la eficiencia del entrenamiento, logrando una mayor calidad de reconstrucción en menos iteraciones de optimización.
• Tiempo de Ejecución: LAPS mantiene un tiempo de ejecución práctico para el mapeo en línea (aproximadamente 0,10–0,13 segundos por cuadro), permaneciendo comparable a PIN-SLAM y significativamente más rápido que SHINE-Mapping y N3-Mapping.

Significado y Afirmaciones
El artículo afirma que LAPS aborda una limitación fundamental en el mapeo neural incremental: la ineficiencia en cómo se almacena y utiliza la data histórica. Al pasar de estrategias pasivas y uniformes a una gestión activa impulsada por fiabilidad e incertidumbre, el método logra un mejor equilibrio entre la eficiencia de la memoria y la fidelidad de la reconstrucción. Los autores posicionan a LAPS no como una nueva arquitectura neural, sino como una capa de gestión crítica que mejora los marcos existentes de campos de distancia neural, permitiendo reconstrucciones 3D más robustas y completas en entornos dinámicos a gran escala. El trabajo se presenta como una contribución de código abierto para facilitar futuras investigaciones en aprendizaje incremental para robótica.