LGSDF：局部更新辅助的符号距离场持续全局学习
计算机视觉与模式识别
2024-04-09 v1 图形学
机器人学
摘要
ESDF（欧几里得符号距离场，Euclidean Signed Distance Field）的隐式重建涉及训练神经网络回归任意点到最近障碍物的符号距离，具有存储轻量化和连续查询的优势。然而，现有算法通常依赖相互冲突的原始观测作为训练数据，导致地图性能不佳。在本文中，我们提出了 LGSDF，一种由局部更新辅助的 ESDF 持续全局学习算法。在前端，通过预处理的传感器观测动态更新轴对齐网格，其中增量融合缓解了由有限观测方向引起的估计误差。在后端，随机初始化的隐式 ESDF 神经网络在这些网格的引导下执行持续自监督学习，以生成平滑且连续的地图。在多个场景上的结果表明，与 SOTA（State Of The Art）显式和隐式建图算法相比，LGSDF 能够构建更准确的 ESDF 地图和网格。LGSDF 的源代码已在 https://github.com/BIT-DYN/LGSDF 公开。
引用
@article{arxiv.2404.05187,
title = {LGSDF: Continual Global Learning of Signed Distance Fields Aided by Local Updating},
author = {Yufeng Yue and Yinan Deng and Jiahui Wang and Yi Yang},
journal= {arXiv preprint arXiv:2404.05187},
year = {2024}
}