Take Your Best Shot：用于自主摄影的基于采样的规划
机器人学
2025-06-12 v2
摘要
配备高质量相机的自主移动机器人 (AMRs) 通过提供高效且具成本效益的调查手段，彻底改变了检查领域。自主检查的使用在各种背景下变得越来越广泛，但自主获取最佳检查信息仍然具有挑战性。在物体可能阻挡机器人视线的情况下，有必要利用推理来确定收集数据的最佳点。虽然研究人员已探索基于云的应用来存储检查数据，但这些应用在网络受限条件下可能无法最佳运行，且解析这些数据集可能非常耗费人力。相反，目前出现了一种新需求，即要求 AMRs 能够自主高效地捕捉信息量最大的视图。为应对这一挑战，我们提出了一种自主的 Next-Best-View (NBV) 框架，该框架在最大化检查信息的同时减少了操作过程中所需的照片数量。该框架包含一个形式化的评估指标，利用射线追踪和高斯过程插值，基于对部分已知环境的当前理解来估计信息奖励。采用无导数优化 (DFO) 方法对环境中的候选视图进行采样并识别 NBV 点。通过与现有方法的比较展示了所提方法的有效性，并通过各种车辆的仿真和实验进行了进一步验证。
引用
@article{arxiv.2403.05477,
title = {Take Your Best Shot: Sampling-Based Planning for Autonomous Photography},
author = {Shijie Gao and Lauren Bramblett and Nicola Bezzo},
journal= {arXiv preprint arXiv:2403.05477},
year = {2025}
}
备注
For code and videos, see https://www.bezzorobotics.com/sg-lb-icra25