HIO-SDF：分层增量式在线有符号距离场
机器人学
2024-03-05 v2 人工智能
摘要
对大型复杂移动机器人工作空间的良好表示必须空间高效，同时能够编码相关几何细节。在探索未知环境时，它需要以在线方式增量更新。我们提出 HIO-SDF，一种将环境表示为有符号距离场（SDF）的新方法。最先进的 SDF 表示基于神经网络或体素网格。神经网络能够连续表示 SDF，但难以增量更新，因为除非存储大量传感器历史用于训练，否则神经网络倾向于遗忘先前观测到的环境部分。基于体素的表示没有此问题，但在具有精细细节的大型环境中不够空间高效。HIO-SDF 采用分层方法结合了这些表示的优点，该方法使用捕获环境已观测部分的粗体素网格，并结合高分辨率局部信息来训练神经网络。HIO-SDF 在所有测试场景上比最先进的连续表示的平均全局 SDF 误差低 46%，比分辨率与我们粗全局 SDF 网格相同的离散表示低 30%。视频与代码见：https://samsunglabs.github.io/HIO-SDF-project-page/
引用
@article{arxiv.2310.09463,
title = {HIO-SDF: Hierarchical Incremental Online Signed Distance Fields},
author = {Vasileios Vasilopoulos and Suveer Garg and Jinwook Huh and Bhoram Lee and Volkan Isler},
journal= {arXiv preprint arXiv:2310.09463},
year = {2024}
}
备注
IEEE International Conference on Robotics and Automation (ICRA 2024) - 7 pages, 7 figures