テクスチャが希薄で照明変化のある屋内シーンにおいて、単一の点特徴のみに基づくビジュアル同時位置推定とマッピング（Simultaneous Localization and Mapping、SLAM）アルゴリズムの姿勢推定精度が低い、あるいは完全に失敗する問題に対し、より安定した線と面の特徴を組み合わせた点・線・面特徴に基づく姿勢分離型RGBD-SLAMシステムを提案した。異なる特徴の相補的な利点とシーンの構造的特性を十分に活用し、姿勢分離推定の考え方を取り入れ、マンハッタンワールド仮説によってドリフトのない回転推定を実現し、複数特徴の結合誤差関数を最小化して並進を推定することで、従来のSLAMシステムが採用するフレームごとの追跡による姿勢推定方式に伴う累積誤差の影響を軽減し、システムの姿勢推定精度を向上させ、これに基づいて環境情報が豊富な点・線・面構造マップを構築した。実験結果は、提案したSLAMシステムがICL-NUIMデータセットの8つのサブシーケンスにおいて、平均絶対軌跡精度をORB-SLAM2、PL-SLAM、およびSP-SLAMと比較してそれぞれ54.5％、23.5％、28.3％向上させ、TUM RGBDデータセットの11のサブシーケンスではそれぞれ33.9％、26.2％、11.7％向上し、より優れたグローバルな位置推定性能とより強力なシステムの堅牢性を示した。また、構築した点・線・面構造マップは環境をより良く記述できることを示した。

同時位置推定とマッピング; 点・線・面特徴; 姿勢分離; 弱いテクスチャ環境; 照明変化シーン