SCONE：基于体素积分的未知环境表面覆盖优化

下一最佳视角计算 (NBV) 是机器人学中的一个长期问题，其目的在于识别下一最具信息量的传感器位置，以高效且准确地重建三维物体或场景。与大多数当前方法一样，我们考虑来自如激光雷达系统这类深度传感器的 NBV 预测。依赖场景体素表示的基于学习的方法适用于路径规划，但精度低于使用基于表面表示的方法。然而，后者不能很好地随场景规模扩展，并将相机约束在少量位姿上。为获得两种表示的优点，我们展示可通过在体素表示上的蒙特卡洛积分来最大化表面度量。特别地，我们提出一种名为 SCONE 的方法，其依赖两个神经模块：第一个模块预测整个场景体素中的占据概率。给定任意新相机位姿，第二个模块基于占据概率对场景中的点进行采样，并利用自注意力机制预测样本的可见性。最后，我们积分可见性以评估新相机位姿下表面覆盖的增益。NBV 被选为总表面覆盖增益最大的位姿。我们的方法可扩展至大场景并处理自由相机运动：它输入由深度传感器采集的任意大点云以及相机位姿来预测 NBV。我们在一个由大型复杂三维场景组成的新数据集上展示了我们的方法。