3D机器人扫描中下一视角策略的边界探索
计算机视觉与模式识别
2025-07-08 v2 机器人学
摘要
下一视角（Next Best View，以下简称 NBV）问题是3D机器人扫描中的关键挑战，具有显著提升物体捕获和重建效率的潜力。现有方法确定 NBV 时常常忽视视角重叠，假设相机的虚拟原点固定，并依赖于3D数据的体素表示。为此，我们提出一种 NBV 策略，其中下一视角探索已扫描点云的边界，重叠问题被内在地考虑。相机的扫描或工作距离由用户定义且在整个过程中保持灵活。为此，我们首先引入一种基于模型的方法，依据参考模型迭代提出候选视角。采用精心设计的策略计算得分，该策略考虑了视角重叠和收敛性。此外，我们提出一种基于学习的方法——边界探索 NBV 网络（Boundary Exploration NBV Network，以下简称 BENBV-Net），该网络直接从扫描数据预测 NBV，而无需参考模型。BENBV-Net 对候选边界进行评分选择得分最高者作为下一视角的目标。该方法在 NBV 生成速度上显著提升，同时保持模型方法的性能水平。我们在 ShapeNet、ModelNet 和 3D Repository 数据集上评估了两种方法。实验结果表明，我们的方法在扫描效率、最终覆盖范围和重叠稳定性方面均优于现有方法，这些都是实际3D扫描应用的关键指标。相关代码已在 github.com/leihui6/BENBV 提供。
引用
@article{arxiv.2412.10444,
title = {Boundary Exploration of Next Best View Policy in 3D Robotic Scanning},
author = {Leihui Li and Lixuepiao Wan and Xuping Zhang},
journal= {arXiv preprint arXiv:2412.10444},
year = {2025}
}