ARMOR：面向未暴露场景的自适应网格化与强化学习优化实时3D监测方法
机器人学
2025-04-29 v1
摘要
未暴露环境（如火山洞穴、矿山和隧道）是科学探索和基础设施开发中最复杂且战略意义突出的领域之一。对这些环境进行精准的实时3D网格化对于自动化结构评估、机器人辅助检查和安全监测等应用至关重要。隐式神经符号距离场（SDF）在在线网格化方面展现了前景，但现有方法常因投影误差大且依赖固定重建参数而在适应火山洞穴、洞穴和隧道等复杂且结构松散的地下环境方面受限。为此，本文提出了ARMOR框架，即一种基于强化学习的场景自适应实时3D网格化方法。该方法在超过3000米的地下环境（包括人工隧道、自然洞穴和火山洞穴）中进行了验证。实验结果表明，ARMOR在实时网格重建方面性能优越，相较于最先进的基线方法几乎减少3.96%的几何误差，同时保持实时效率。该方法表现出 improved 的鲁棒性、准确性和适应性，表明其在挑战性未暴露场景中的高级3D监测和映射具有潜力。项目页面可在 https://yizhezhang0418.github.io/armor.github.io/ 查看。
引用
@article{arxiv.2504.19624,
title = {ARMOR: Adaptive Meshing with Reinforcement Optimization for Real-time 3D Monitoring in Unexposed Scenes},
author = {Yizhe Zhang and Jianping Li and Xin Zhao and Fuxun Liang and Zhen Dong and Bisheng Yang},
journal= {arXiv preprint arXiv:2504.19624},
year = {2025}
}