VDB-GPDF: Online Gaussian Process Distance Field with VDB Structure

要約

ロボットは専用の表現を通じて環境について推論します。
密な表現の一般的な選択肢は、Truncated Signed Distance Functions (TSDF) と Octree データ構造を利用します。
ただし、TSDF は深度測定から直接取得された符号付き射影距離であり、ユークリッド距離を過大評価します。
オクツリーはメモリ効率が高いにもかかわらず、ツリーの走査が必要であり、大規模なシナリオでは実行時間が増加する可能性があります。
ガウス過程 (GP) 距離フィールドに基づく他の表現は、確率的かつ連続的な性質により魅力的ですが、計算の複雑さが懸念されます。
この論文では、GP 距離フィールドと高速アクセス VDB データ構造をシームレスに結合するオンラインの効率的なマッピング フレームワークを紹介します。
このフレームワークは、ユークリッド距離フィールドを段階的に構築し、強度や色などの他の表面プロパティを、大規模なシナリオに対応できるグローバル シーン表現に融合します。
重要な点は、ローカル VDB 構造に含まれる潜在的なローカル GP 符号付き距離フィールド (L-GPDF) です。これにより、視野内の任意の点のユークリッド距離、表面特性、およびそれらの不確実性の高速クエリが可能になります。
次に、これらのポイントの推論値を、長期にわたって効率的に維持されるグローバル VDB 構造にマージすることによって、確率的融合が実行されます。
融合後、サーフェス メッシュが復元され、グローバル GP 符号付き距離フィールド (G-GPDF) が生成され、下流のアプリケーションで正確な距離と勾配をクエリするために利用できるようになります。
最先端のフレームワークと比較すると、推定距離フィールドの優れた効率と精度、および同等の再構成パフォーマンスが示されています。
付属のコードは公開されます。
https://github.com/UTS-RI/VDB_GPDF

要約(オリジナル)

Robots reason about the environment through dedicated representations. Popular choices for dense representations exploit Truncated Signed Distance Functions (TSDF) and Octree data structures. However, TSDF is a projective signed distance obtained directly from depth measurements that overestimates the Euclidean distance. Octrees, despite being memory efficient, require tree traversal and can lead to increased runtime in large scenarios. Other representations based on Gaussian Process (GP) distance fields are appealing due to their probabilistic and continuous nature, but the computational complexity is a concern. In this paper, we present an online efficient mapping framework that seamlessly couples GP distance fields and the fast-access VDB data structure. This framework incrementally builds the Euclidean distance field and fuses other surface properties, like intensity or colour, into a global scene representation that can cater for large-scale scenarios. The key aspect is a latent Local GP Signed Distance Field (L-GPDF) contained in a local VDB structure that allows fast queries of the Euclidean distance, surface properties and their uncertainties for arbitrary points in the field of view. Probabilistic fusion is then performed by merging the inferred values of these points into a global VDB structure that is efficiently maintained over time. After fusion, the surface mesh is recovered, and a global GP Signed Distance Field (G-GPDF) is generated and made available for downstream applications to query accurate distance and gradients. A comparison with the state-of-the-art frameworks shows superior efficiency and accuracy of the inferred distance field and comparable reconstruction performance. The accompanying code will be publicly available. https://github.com/UTS-RI/VDB_GPDF

arxiv情報

提供元, 利用サービス

arxiv.jp, Google