H2-Mapping：基于分层混合表示的实时稠密建图
机器人学
2023-09-21 v2
摘要
实时构建高质量稠密地图对机器人、AR/VR 和数字孪生应用至关重要。由于神经辐射场（NeRF）极大提升了建图性能，本文中我们提出一种基于 NeRF 的建图方法，即使在边缘计算机上也能实现更高质量的重建与实时能力。具体而言，我们提出一种新颖的分层混合表示，利用由显式八叉树 SDF 先验辅助的隐式多分辨率哈希编码，在不同细节层级上描述场景。该表示允许快速的场景几何初始化，并使场景几何更易于学习。此外，我们提出一种覆盖最大化的关键帧选择策略，以解决遗忘问题并提升建图质量，尤其在边缘区域。据我们所知，我们的方法是首个在手持设备与四旋翼的边缘计算机上实时实现基于 NeRF 的高质量建图的方法。实验表明，我们的方法在几何精度、纹理真实感和耗时上均优于现有基于 NeRF 的建图方法。代码将发布于：https://github.com/SYSU-STAR/H2-Mapping
引用
@article{arxiv.2306.03207,
title = {H2-Mapping: Real-time Dense Mapping Using Hierarchical Hybrid Representation},
author = {Chenxing Jiang and Hanwen Zhang and Peize Liu and Zehuan Yu and Hui Cheng and Boyu Zhou and Shaojie Shen},
journal= {arXiv preprint arXiv:2306.03207},
year = {2023}
}
备注
Accepted by IEEE Robotics and Automation Letters