iSDF:面向机器人感知的实时神经符号距离场
机器人学
2022-05-05 v2 计算机视觉与模式识别
摘要
我们提出 iSDF,一个用于实时符号距离场(SDF)重建的持续学习系统。给定来自移动相机的位姿深度图像流,它训练一个随机初始化的神经网络将输入 3D 坐标映射到近似符号距离。该模型通过最小化一个损失实现自监督,该损失利用一批主动采样的查询点中到最近采样点的距离来约束预测的符号距离。与先前基于体素网格的工作不同,我们的神经方法能够提供更精细的自适应细节层次,对部分观测区域进行合理补全并对观测去噪,同时具有更紧凑的表示。在针对室内环境真实与合成数据集对比替代方法的评测中,我们发现 iSDF 能生成更精确的重建结果,以及更优的碰撞代价与梯度近似,这些对从导航到操控等领域的下游规划器十分有用。代码与视频结果见项目主页:https://joeaortiz.github.io/iSDF/ 。
引用
@article{arxiv.2204.02296,
title = {iSDF: Real-Time Neural Signed Distance Fields for Robot Perception},
author = {Joseph Ortiz and Alexander Clegg and Jing Dong and Edgar Sucar and David Novotny and Michael Zollhoefer and Mustafa Mukadam},
journal= {arXiv preprint arXiv:2204.02296},
year = {2022}
}
备注
Published in Robotics: Science and Systems (RSS) 2022. Project page: https://joeaortiz.github.io/iSDF/