Walk2Map：从室内行走轨迹提取平面图

近年来，用于高效管理室内空间的新数字产品大量涌现，其重要应用包括应急管理、虚拟房产展示和室内设计。这些产品依赖于所考虑环境的精确 3D 模型，包含建筑性与非永久性元素的信息。这些模型必须由测量数据（如 RGB-D 图像或 3D 点云）创建，其采集与整合涉及冗长的数据工作流。这严重限制了 3D 模型的产出速率，阻碍了诸多室内空间管理数字服务的采用。我们提出 Walk2Map 这一数据驱动方法，仅利用人在室内房间中行走的轨迹来生成平面图，以此作为此类数据密集型流程的替代方案。得益于数据驱动惯性里程计的最新进展，此类极简输入数据可从消费级智能手机的 IMU 读数中获取，从而实现真实世界室内空间轻松且可扩展的建图。我们的工作基于学习室内行走轨迹与平面图中所表示信息（室内空间足迹、出入口和家具）之间的潜在关系。我们区分恢复区域相关（室内足迹、家具）与墙体相关（门）信息，并对两项任务使用两种不同的神经架构：分别为基于图像的编码器-解码器与图卷积网络。我们使用扫描的 3D 室内模型训练网络，并在推理时以级联方式将其应用于室内行走轨迹。我们使用模拟与实测的真实世界轨迹进行定性与定量评估，并与图像到图像翻译的基线方法比较。实验证实了我们所提方法的可行性。