从点云到仿真模型：面向三维建模的贝叶斯分割与基于熵的不确定性估计
机器学习
2021-02-05 v1 机器学习
摘要
室内环境的三维建模与过程仿真的生成在工厂和装配规划中起着重要作用。在棕地规划情形下，现有数据往往过时且不完整，尤其是对于大多以二维规划的老旧工厂。因此，当前环境模型无法直接基于现有数据生成，并且关于如何以高度自动化方式构建此类工厂模型的整体方法基本不存在。在生成生产工厂环境模型中的主要步骤包括数据收集与预处理、物体识别以及位姿估计。本工作中，我们详述了一个方法学工作流，从大规模室内环境的数字化开始，到生成静态环境或仿真模型结束。物体识别步骤通过使用能够进行点云分割的贝叶斯神经网络实现。我们阐明了由贝叶斯分割框架产生的网络不确定性信息如何被用于构建更精确的环境模型。数据收集与点云分割步骤以及所得模型精度在大型汽车生产工厂装配线上收集的真实世界数据集上进行了评估。该分割网络还在公开可用的 Stanford Large-Scale 3D Indoor Spaces 数据集上进行了评估。贝叶斯分割网络明显超越了频率主义基线方法的性能，并使我们能显著提高仿真场景中模型放置的精度。
引用
@article{arxiv.2102.02488,
title = {From a Point Cloud to a Simulation Model: Bayesian Segmentation and Entropy based Uncertainty Estimation for 3D Modelling},
author = {Christina Petschnigg and Markus Spitzner and Lucas Weitzendorf and Jürgen Pilz},
journal= {arXiv preprint arXiv:2102.02488},
year = {2021}
}
备注
Submitted to MDPI Entropy for Review