基于核密度估计的全景细化移动机器人体积建图
机器人学
2024-12-17 v1 计算机视觉与模式识别
摘要
具备语义理解的三维 (3D) 场景重建在许多机器人应用中至关重要。机器人需要识别具体的物体及其位置和形状，以便在给定任务中对其进行精确操作。特别是移动机器人，通常使用轻量级网络在 RGB 图像上分割物体，然后通过深度图对其进行定位；然而，它们经常遇到掩码过度覆盖物体的分布外场景。在本文中，我们通过使用非参数统计方法细化分割误差，解决了 3D 场景重建中的全景分割质量问题。为了提高掩码精度，我们将预测的掩码映射到深度帧中，通过核密度估计其分布。随后以自适应分布外场景的方式剔除深度感知中的离群点，且无需额外参数，接着使用投影符号距离函数 (SDFs) 进行 3D 重建。我们在合成数据集上验证了该方法，结果显示全景建图在定量和定性结果上均有提升。通过真实世界测试，结果进一步表明我们的方法具备部署于真实机器人系统的能力。我们的源代码可在：https://github.com/mkhangg/refined panoptic mapping 获取。
引用
@article{arxiv.2412.11241,
title = {Volumetric Mapping with Panoptic Refinement via Kernel Density Estimation for Mobile Robots},
author = {Khang Nguyen and Tuan Dang and Manfred Huber},
journal= {arXiv preprint arXiv:2412.11241},
year = {2024}
}