通过长尾多视角采样将一次性视角规划与单个次优视角相集成
机器人学
2024-10-31 v4
摘要
现有的视角规划系统要么采用基于次优视角（NBV）的迭代范式，要么依赖基于集合覆盖视角规划（SCVP）网络的一次性流水线。然而，这些方法均无法同时保证对未知三维物体的高质量与高效率重建。为应对此挑战，我们提出一个关键假设：随着关于未知物体的信息增多，SCVP 网络的预测质量会提升。提供额外信息有两种途径：（1）利用从 NBV 获取的感知数据，（2）在扩充的多视角输入数据集上训练。本工作中，我们引入一种新颖的组合流水线，其在激活所提出的多视角激活（MA-）SCVP 网络之前先引入单个 NBV。MA-SCVP 在我们长尾采样方法生成的多视角数据集上训练，该方法解决了多视角输入不平衡的问题并增强了网络性能。大量模拟实验证实，与最先进系统相比，我们的系统在表面覆盖率上显著提升，且运动成本大幅降低 45%。真实世界实验验证了我们的系统具备泛化与部署能力。
引用
@article{arxiv.2304.00910,
title = {Integrating One-Shot View Planning with a Single Next-Best View via Long-Tail Multiview Sampling},
author = {Sicong Pan and Hao Hu and Hui Wei and Nils Dengler and Tobias Zaenker and Murad Dawood and Maren Bennewitz},
journal= {arXiv preprint arXiv:2304.00910},
year = {2024}
}
备注
Accepted to IEEE Transactions on Robotics. Full appendices version