面向无人机航拍路径规划的可重建性学习

我们引入首个基于学习的可重建性预测器，以改进使用无人无人机进行大规模3D城市场景采集的视角与路径规划。与先前的启发式方法不同，我们的方法学习一个模型，该模型显式预测一组视点下3D城市场景将被重建得有多好。为使此类模型可训练且同时适用于无人机路径规划，我们在训练期间模拟基于代理的3D场景重建以建立预测。具体而言，我们设计的神经网络经训练，用于预测场景可重建性，其为代理几何、一组视点以及(可选的)飞行中采集的一系列场景图像的函数。为重建一个新的城市场景，我们首先构建3D场景代理，然后依赖我们网络基于代理几何预测出的重建质量与不确定性度量，来引导无人机路径规划。我们证明，与先前的启发式度量相比，我们的数据驱动可重建性预测与真实重建质量的相关性更紧密。此外，我们学习到的预测器可轻松集成到现有路径规划器中以产生改进。最后，我们基于学习到的可重建性设计了一个新的迭代视角规划框架，并展示了新规划器在重建合成与真实场景时的优越性能。