基于 PlaneSDF 的长时间密集建图变化检测
机器人学
2022-10-06 v2 计算机视觉与模式识别
摘要
跨多次任务处理环境地图的能力对于长时间运行的机器人至关重要。具体而言，自主智能体需要检测不同任务地图之间的变化，以获得对当前环境无冲突的理解。本文研究基于一种新颖地图表示——称为平面符号距离场（Plane Signed Distance Fields，PlaneSDF）——的变化检测问题，其中密集地图表示为 SDF 体素中一组平面及其关联几何组件的集合。给定源场景与目标场景的点云，我们提出一种三步的基于 PlaneSDF 的变化检测方法：（1）在每个场景中实例化 PlaneSDF 体素，并使用平面位姿跨场景配准；通过高度投影和连通分量分析从每个体素提取 2D 高度图与物体图。（2）比较高度图并与物体图相交，生成源场景中变化物体候选的 2D 变化位置掩码。（3）利用每个物体候选的 SDF 派生特征进行 3D 几何验证以精炼变化掩码。我们在合成与真实世界数据集上评估了我们的方法，并通过变化物体检测任务展示了其有效性。补充视频：https://youtu.be/oh-MQPWTwZI
引用
@article{arxiv.2207.08323,
title = {PlaneSDF-based Change Detection for Long-term Dense Mapping},
author = {Jiahui Fu and Chengyuan Lin and Yuichi Taguchi and Andrea Cohen and Yifu Zhang and Stephen Mylabathula and John J. Leonard},
journal= {arXiv preprint arXiv:2207.08323},
year = {2022}
}
备注
8 pages, 7 figures, and 1 table. To be published in Robotics and Automation Letters and IROS 2022. Link to supplementary video added in the abstract: https://youtu.be/oh-MQPWTwZI