含噪声数据的隐式物体建图
机器人学
2022-10-10 v2
摘要
将场景中的单个物体建模为神经辐射场(NeRFs)提供了一种替代的几何场景表示，可能有益于下游机器人任务如场景理解与物体操控。然而，我们确定了使用机器人收集的真实世界训练数据训练 NeRF 的三个挑战：(i) 相机轨迹受限，无法保证完整视觉覆盖——尤其当存在对感兴趣物体的遮挡时；(ii) 由于里程计或定位噪声，图像对应的位姿含噪；(iii) 物体不易从背景中分离。本文评估了上述因素在多大程度上降低所学隐式物体表示的质量。我们引入一条将场景分解为多个独立物体-NeRF 的流水线，使用含噪物体实例掩码与边界框，并评估该流水线对噪声位姿、实例掩码及训练图像数量的敏感性。我们发现对噪声实例掩码的敏感性可通过深度监督部分缓解，并量化了在 NeRF 优化过程中包含相机外参的重要性。
引用
@article{arxiv.2204.10516,
title = {Implicit Object Mapping With Noisy Data},
author = {Jad Abou-Chakra and Feras Dayoub and Niko Sünderhauf},
journal= {arXiv preprint arXiv:2204.10516},
year = {2022}
}