Visual-SLAMは、カメラ映像だけ(あるいはカメラ+IMUの組み合わせ)を頼りに自己位置推定と地図構築を行う技術群である。LiDARのような高価な測距センサーを必要としない一方、照明変化やテクスチャの乏しさに弱いという弱点を抱えており、その克服の歴史が技術動向そのものになっている。

OpenCVOpenCV

画像: OpenCVロゴ、Wikimedia Commons(Apache 2.0)

特徴点ベースの完成形: ORB-SLAM3

古典的なVisual-SLAMの到達点の一つがORB-SLAM3である。単眼・ステレオ・RGB-Dのいずれの構成でも、Visual/Visual-Inertial/マルチマップSLAMをリアルタイムに実行できる点が特徴で、ORBという特徴点記述子を用いて画像間の対応関係を求め、バンドル調整で姿勢と地図点を最適化する。バンドル調整が最小化しているのは、3次元地図点\mathbf{X}_iをカメラ姿勢(\mathbf{R}_j, \mathbf{t}_j)で画像へ投影した位置と、実際に観測された画像上の特徴点位置\mathbf{u}_{ij}との食い違い(再投影誤差)の総和である。

\min_{\{\mathbf{R}_j, \mathbf{t}_j\}, \{\mathbf{X}_i\}} \sum_{i,j} \left\| \pi\left( \mathbf{R}_j \mathbf{X}_i + \mathbf{t}_j \right) - \mathbf{u}_{ij} \right\|^2

ここで\pi(\cdot)はカメラの内部パラメータに基づく3次元点から画像平面への投影関数である。この式をカメラ姿勢と地図点の両方について同時に最適化するのがバンドル調整の核心であり、前述のグラフ最適化と同じ非線形最小二乗の枠組みで解かれる(詳細は「SLAMの技術動向」を参照)。発表から年数が経った現在も、比較対象のベースラインとして研究論文で参照され続けている、事実上の標準的な参照実装である。

深層学習によるエンドツーエンド化: DROID-SLAM

特徴点抽出・マッチングという明示的な工程そのものを深層学習に置き換える流れも定着している。代表例がDROID-SLAMで、カメラ姿勢とピクセル単位の深度を、再帰的な反復更新と密なバンドル調整層によって推定する。単眼動画のみで学習していながら、テスト時にはステレオやRGB-D動画も活用して精度を高められる柔軟性を持つ。ただし推論だけでも11GB以上のGPUメモリを要求するなど、計算資源のハードルは古典的手法より高い。

DROID-SLAMの内部動作: 相関ボリュームと微分可能なバンドル調整

DROID-SLAMが特徴点抽出を経ずに姿勢と深度を推定できる仕組みをもう少し具体的に見ると、まず入力解像度の1/8スケールで、特徴抽出用と文脈情報用の2つのCNNによって密な特徴マップを計算する。フレームのペアごとに、それぞれの特徴ベクトル同士の内積を総当たりで計算した「4次元相関ボリューム」を構築し、これが画素単位の対応関係を推定するための土台になる。

推定自体は反復的な更新演算子が担う。相関ボリュームの特徴と直前の反復での残差(修正量)を、畳み込み層を通した上でConvGRU(畳み込みゲート付き回帰ユニット)へ入力し、フロー(見かけの動き)の修正量を出力する。ゲート機構によって「どの情報を反映し、どの情報を棄却するか」を選択的に制御できる点が、このネットワークが学習によって獲得している部分である。

この反復更新の出力は、カメラ姿勢と画素単位の逆深度の両方を同時に更新する、微分可能な高密度バンドル調整(Dense Bundle Adjustment, DBA)層に統合される。幾何学的な制約をネットワークの内部に明示的に組み込むこの設計により、単眼で学習したモデルであっても、再学習なしでステレオやRGB-D入力を扱えるという柔軟性が生まれている。

地図表現の刷新: 3D Gaussian SplattingとNeRF

現在最も動きが速いのが、地図の表現形式そのものを刷新する潮流である。Neural Radiance Fields(NeRF)や3D Gaussian Splatting(3DGS)は、単なる点群ではなく、フォトリアリスティックな3次元シーンをコンパクトなパラメータ集合として表現できる。この特性がSLAMのマッピング精度・レンダリング品質・計算効率を底上げしつつある。

2026年に入ってからも、RGB映像のみでグローバル最適化を行うSplat-SLAM、LiDAR・IMU・カメラを融合するGaussian-LIC/Gaussian-LIC2、地下鉱山のような過酷環境向けのGTS-SLAM、意味的SLAMを指向するMTE-SLAM(ICRA 2026)、フォトリアリスティックなマッピングと効率的な追跡を両立するPMET-SLAMなど、3DGS/NeRFベースの新手法が主要国際会議・論文誌に相次いで発表されている。従来手法との比較では、レンダリング品質と地図の再利用性(後から任意の視点で環境を再描画できる)が明確な強みとして挙げられている。

2025〜2026年の新潮流: フィードフォワード3D基盤モデルによるSLAM

DROID-SLAMの反復推定・微分可能バンドル調整という設計をさらに一歩進め、2024年末に登場したMASt3R-SLAM(CVPR 2025 Highlight)は、2視点間の3D復元と対応関係をあらかじめ学習した基盤モデルMASt3Rの出力を「事前知識」として使う設計を取る。カメラの内部パラメータが未知でもポイントマップのマッチング・カメラ追跡・局所的な地図融合・ループクロージャ検出を単一の枠組みで行い、既知のカメラモデルがある場合は毎秒15フレームで動作しながら複数のベンチマークで最先端の精度を達成したと報告されている。

この基盤モデル路線は2025年に発表されたVGGT(Visual Geometry Grounded Transformer、複数視点の画像から一度の順伝播でカメラ姿勢・深度・点群を同時出力するフィードフォワード型の3D基盤モデル)の登場でさらに勢いを増した。2026年に入ってからは、VGGTの出力を土台にした派生研究が相次いでいる。VGGT-SLAM++(2026年4月)はVGGTのtransformer出力を、共視性グラフと視覚的場所認識による頻繁な局所最適化と組み合わせて軌跡を安定化させる完全なSLAMシステムへ仕立てている。VGGT-Align(2026年8月)は長尺シーケンスでのチャンク間スケールドリフトを、各チャンクの点群から抽出した支配的な幾何学的不変量で拘束することで解消する。VGGTが陽な教師信号なしに共視性(どの視点同士が同じ領域を写しているか)を暗黙的に符号化していることを示したCo-VGGT(2026年7月)のような分析研究も現れており、この種の基盤モデルの内部表現そのものを解明する動きも活発である。

ベンチマークが示す現実: 精度は上がったが万能ではない

基盤モデル型SLAMの実力を定量的に評価する研究も2026年後半に集中して発表されている。DJI製ドローンによる高高度直下視(nadir)映像を使い5種類の単眼SLAMシステムを比較した評価では、MASt3R-SLAMが経路長の0.53%という最小の水平方向平均絶対誤差(MAE)を達成した一方、高度方向(垂直方向)の精度は依然として課題として残ると指摘されている。また、合成的な劣化と実世界の劣化条件の両方で単眼SLAMを評価した別の研究(2026年8月)は、古典的な特徴点ベース手法が劣化条件下で「破局的な追跡失敗」に陥りやすいのに対し、学習ベースのトラッカーはその破局的な失敗を「持続的で、時に深刻なドリフト」に置き換えているに過ぎないと指摘している。つまり学習ベース手法は「派手に落ちる」代わりに「気づかれにくく誤差が蓄積する」という別の弱点を抱えている可能性があり、単純に精度指標だけで優劣を判断できない実態が明らかになりつつある。

単眼SLAM共通の弱点であるスケール曖昧性(絶対的な距離スケールを単眼映像だけからは復元できない問題)についても、学習済み深度推定と確率的因子グラフを統合するScalix(2026年8月)のように、メートル単位の絶対スケールと相対スケールの両方のベンチマークで最先端級の性能を達成したと報告する手法が出てきている。

実務上の選択基準

現時点での実務的な整理は以下のようになる。

いずれの系統も互いを置き換える関係ではなく、用途に応じた住み分けが進んでいるというのが現在の実態である。

参考リンク

#Visual-SLAM #ORB-SLAM3 #Gaussian Splatting