Apr, 2024

自主隐式室内场景重建与边界探索

PDF
TL;DR通过引入基于前沿探索任务的全局覆盖和基于隐式表面不确定性的重建任务，结合使用颜色不确定性实现隐式表面不确定性的方法，提出了一种自适应策略来在视角路径规划中切换模式，以减少时间并保持卓越的重建质量。该方法在所有规划方法中展示了最高的重建质量和在涉及重建任务的方法中的优越规划效率。我们在一架无人机上部署了我们的方法，并且结果显示我们的方法可以计划多任务视图并以高质量重建场景。
implicit neural representations3d scene reconstructionnext best viewfrontier-based explorationview path planning
发现论文，激发创造
  • 自主场景重建的物体感知导航

    提出了一种自主三维扫描的新方法，它通过对象分析确定全局探测的下一个最佳对象（NBO），并通过对象感知信息分析来规划局部扫描的下一个最佳视图（NBV），从而实现了对未知场景的探索、重构和理解。

    May, 2018

  • GenNBV：通用的主动三维重建最佳观察策略

    通过使用深度学习框架与增强学习方法，我们提出了一个新的基于 Next-Best-View 策略的 3D 重建模型，该模型在多个数据集上取得了优异的性能，同时具备跨数据集泛化能力。

    Feb, 2024

  • 基于在线语义重构的主动场景理解

    提出一种基于 RGBD 重建和语义分割的机器人操作主动理解未知室内场景的新方法，利用离线估计的离散视野分数场来驱动机器人的勘探扫描，结合基于体素的实时语义标注，优化遍历路径和相机轨迹，从而实现高效准确的在线场景解析。

    Jun, 2019

  • MACARONS: 使用 RGB 在线自监督技术进行映射和覆盖预测

    本研究提出了一种无需使用深度传感器，只需使用彩色相机即可同时学习在大型环境中探索和进行 3D 重建的方法，并基于此领域预测下一个最佳视图。与现有的方法相比，我们的方法无需 3D 监督，通过进行自监督学习可以在新场景上表现出很好的性能。

    Mar, 2023

  • 基于外观的视点规划方法：Bag of Views 用于三维重建

    通过机器学习和图像处理实现无人机的三维重建和监测，其中视角规划是其关键部分，该研究提出了一种基于 Bag-of-Views 的模型，用于评估捕获视角的效用。

    Jul, 2023

  • AutoNeRF: 用自主代理训练隐式场景表示

    该论文介绍了 AutoNeRF，一种使用自主实体代理收集数据以训练 NeRF 的方法，研究比较了不同的探索策略，经验证明可以使用主动收集的数据来训练 NeRF，并且可以用于下游机器人任务，以及模块化训练探索模型显著优于经典基线。

    Apr, 2023

  • 神经 RGB-D 表面重建

    该研究论文提出了一种基于截断有符号距离函数的 NeRF 框架的 3D 重建方法，结合 RGB-D 传感器和相机细化技术，得到高质量的空间重建结果。

    Apr, 2021

  • 基于梯度的本地最佳视角规划提高对目标植物节点的感知

    机器人在番茄大棚中越来越多地用于自动化劳动密集型任务，但面临着植物其他部分的遮挡引起的感知困难。我们提出了一种基于梯度的下一最佳观测点规划方法，通过差分射线采样直接估计视点规划的局部梯度方向，旨在克服遮挡问题并提高感知质量，在模拟实验中证明了该方法的有效性。

    Nov, 2023

  • StreetSurf：将多视角隐式表面重建扩展到街景

    本文提出了一种新型的多视角隐式曲面重建技术 ——StreetSurf，适用于广泛使用的自动驾驶数据集中的街景图像，特别是在没有 LiDAR 数据的情况下，旨在解决街景图像中场景几何形状、纹理等问题。

    Jun, 2023

  • 通过前向上视图投影实现单目 BEV 道路场景感知

    提出基于前视单目图像的局部鸟瞰地图重建新框架，利用前向到俯视图像变换（FTVP）模块中的多尺度设计和周期性一致性约束，实现低成本高效的道路与汽车区域感知以及多类别场景理解。在公共基准测试中，该方法在道路布局估计，车辆占用估计和多类别语义估计任务中均达到了最先进的性能，并且在多类别语义估计中优于所有竞争对手。

    Nov, 2022