關(guān)鍵詞：三維重建 機器人

編者按

本文是另一篇北京大學(xué)陳寶權(quán)課題組將在SIGGRAPH 2019宣讀的論文的解讀。

該論文題為《Multi-Robot Collaborative Dense Scene Reconstruction》，由北京大學(xué)客座學(xué)生董思言、周強與國防科技大學(xué)徐凱副教授，以及谷歌和慕尼黑工業(yè)大學(xué)等單位學(xué)者合作，由前沿計算研究中心執(zhí)行主任陳寶權(quán)教授指導(dǎo)完成。

背景

從機器人領(lǐng)域的移動導(dǎo)航、動作規(guī)劃和物體抓取等經(jīng)典問題，到虛擬現(xiàn)實、增強現(xiàn)實和混合現(xiàn)實等圖形技術(shù)，都離不開對真實場景的三維建模。隨著近幾年以微軟Kinect、英特爾RealSense等為代表的消費級RGB-D相機的普及，三維重建領(lǐng)域正經(jīng)歷著一場“文藝復(fù)興”。三維重建涉及計算機圖形學(xué)、計算機視覺和機器人等多個領(lǐng)域，旨在采集真實世界中的彩色圖像和深度圖像，并以此重建出真實場景的三維模型。相比于傳統(tǒng)的激光或雷達掃描重建，近幾年RGB-D相機掃描(拍照)的重建算法(如KinectFusion、VoxelHashing)近幾年取得了巨大進展。

VoxelHashing大規(guī)模場景重建

目前的三維重建算法為場景建模帶來了很多便利，但是仍存在很多問題。比如，即使是使用最先進的掃描重建算法，仍然需要訓(xùn)練有素的專業(yè)掃描人員執(zhí)行掃描過程，算法的使用對普通用戶并不友好。這是因為當前實時算法之所以能做到實時響應(yīng)，是因為其做了很多假設(shè)，例如要求掃描設(shè)備的移動足夠平滑甚至是勻速，要求被掃描物體的表面有明顯的紋理或者幾何特征。因此，普通用戶掃描過程中，經(jīng)常會面臨算法失敗的問題。即使是專業(yè)掃描人員，在掃描過程中需要保持合適的移動速度和掃描朝向，這也是枯燥且繁重的工作。

主動式掃描和場景分析

于是，近年來越來越多使用機器人代替人來做掃描重建的工作問世。從單個物體到室內(nèi)房間，這些工作使用機器人攜帶掃描設(shè)備，根據(jù)重建實時反饋，指導(dǎo)機器人掃描并建模。

相關(guān)工作

陳寶權(quán)老師帶領(lǐng)的Visual Computing and Learning 課題組近幾年發(fā)表了一些使用機器人做主動式掃描和建模的工作。主動式掃描的現(xiàn)有工作在對于單個物體、房間或公寓等場景的掃描都取得了不錯的效果。于是，使用更多機器人進行大規(guī)模場景的掃描重建是一個重要的拓展方向。

主動式掃描和物體識別

群體智能是機器人領(lǐng)域的一個重要研究方向。目前已經(jīng)有一些針對機器人協(xié)同合作的研究工作，大部分這些工作研究重點在于機器人之間的坐標定位和導(dǎo)航。也有一些工作基于貪心策略、MTSP(多旅行商問題)和區(qū)域分割等算法設(shè)計策略指導(dǎo)多個機器人協(xié)同工作，雖然取得了一些進展，但是在場景復(fù)雜、機器人數(shù)量較多情況下其難求解，缺乏靈活性，并沒有達到預(yù)期的效果。

我們的方法

以室內(nèi)大規(guī)模場景的掃描和重建為目標，我們提出了基于最優(yōu)質(zhì)量傳輸理論(Optimal Mass Transport)的多機器人協(xié)同探索并重建未知室內(nèi)場景模型的算法。最優(yōu)質(zhì)量傳輸理論其實大家都不陌生，最經(jīng)典的例子是土豆的供給和需求問題，假設(shè)有若干地區(qū)(下圖藍色)供給土豆，若干地區(qū)(下圖桔色)需求土豆，不同地區(qū)直接運輸土豆的代價不同， 那么如何找出這樣一個規(guī)劃，使得所有需求地區(qū)都能得到滿足其需求的土豆數(shù)量，且總的運輸代價最低，這就是一個簡單的最優(yōu)質(zhì)量傳輸模型。

最優(yōu)質(zhì)量傳輸?shù)睦?/p>

最優(yōu)質(zhì)量傳輸理論就是為了研究這類優(yōu)化問題而提出，其目標是求出兩個分布(或者說集合)之間的映射關(guān)系，使得該映射在給定的度量下代價最低。在機器人掃描重建問題中，我們可以把機器人看作是掃描的供給方，未知環(huán)境看作是掃描的需求方，而機器人實際執(zhí)行掃描任務(wù)所需要的代價(如移動距離)作為映射的度量。以此為基礎(chǔ)，我們通過求解最優(yōu)質(zhì)量傳輸，就可以得到機器人和掃描任務(wù)之間的映射，使掃描代價最低。

機器人掃描的最優(yōu)質(zhì)量傳輸

機器人的空間位置分布可以直接作為掃描的供給分布。那么，如何度量未知環(huán)境對掃描的需求分布呢？首先，所有的未知區(qū)域都屬于掃描的需求分布，它們需要得到機器人的掃描和重建。另外，在掃描過程中，對于已掃描和重建的部分區(qū)域，我們沿襲最經(jīng)典的三維重建方法KinectFusion中對掃描重建模型質(zhì)量的評估方式，如果質(zhì)量沒有達到目標，那么我們把這些區(qū)域也加入掃描的需求分布中，這樣我們得到了原始的需求分布。由于掃描任務(wù)受掃描視角的影響，我們進一步推算出能掃描覆蓋需求分布的最佳掃描視角，這些掃描視角也就是接下來機器人的掃描任務(wù)，這些掃描視角的空間分布也就是最終的需求分布。

分析重建結(jié)果推算掃描視角作

接下來是對掃描代價度量的研究。如果一個機器人只映射到了需求分布中的一個掃描任務(wù)，我們可以簡單地使用機器人到任務(wù)的最優(yōu)路徑長度作為其掃描代價；如果一個機器人映射到了多個掃描任務(wù)，那么我們使用機器人與這些任務(wù)構(gòu)成的TSP(旅行商問題)路徑長度作為其代價。這樣，我們就把多機器人掃描問題公式化成為了最優(yōu)質(zhì)量傳輸模型。在求解優(yōu)化目標時，TSP的離散性給我們優(yōu)化問題的求解帶來了困難，于是我們進一步研究目標函數(shù)近似求解的方法，最終使用基于聚類思想的方法求解，得到了不錯的效果。隨著掃描的進行，場景會不斷被探索重建，這個過程中最優(yōu)質(zhì)量傳輸?shù)那蠼庖矔S之更新，直到完整的場景被高質(zhì)量地重建出來。

隨場景更新而重新計算最優(yōu)質(zhì)量傳輸

我們的結(jié)果

我們在模擬器中使用Matterport3D與SUNCG數(shù)據(jù)集對算法進行了測試，取得了不錯的效果。

Matterport3D (上圖) 與 SUNCG (下圖) 數(shù)據(jù)集測試結(jié)果

同時，我們也在五院的幾個房間使用Turtlebot機器人做了真機實驗。下面是我們重建的結(jié)果。

五院幾個房間掃描重建結(jié)果

總結(jié)

我們提出了一種多個機器人協(xié)同掃描的理論和算法。基于最優(yōu)質(zhì)量傳輸理論，使用分而治之的策略，驅(qū)動多個機器人高效地探索掃描室內(nèi)大規(guī)模場景，并重建其三維模型。

?關(guān)于SIGGRAPH?

SIGGRAPH (Special?Interest?Group on Computer?GRAPHics and?Interactive?Techniques) 是計算機領(lǐng)域規(guī)模最大的頂級會議、CCF A類會議，參加人數(shù)達2萬余人，每年收錄百余篇圖形學(xué)相關(guān)的優(yōu)秀論文，是計算機圖形領(lǐng)域集技術(shù)、藝術(shù)與展覽于一體的盛會。SIGGRAPH 2019將于2019年7月28日-8月1日在美國洛杉磯舉行。

圖文 | 董思言

Visual Computing and Learning

其 他 論 文 解 讀

• SIGGRAPH | 2D人體動作遷移與特征分解(附論文及代碼鏈接)

• CVPR | 基于級聯(lián)生成式與判別式學(xué)習(xí)的乳腺鉬靶微鈣化檢測

• CVPR | 智能體張量融合，一種保持空間結(jié)構(gòu)信息的軌跡預(yù)測方法

• TPAMI | 從虛擬到現(xiàn)實，一種基于強化學(xué)習(xí)的端到端主動目標跟蹤方法

—? ?版權(quán)聲明? —

本微信公眾號所有內(nèi)容，由北京大學(xué)前沿計算研究中心微信自身創(chuàng)作、收集的文字、圖片和音視頻資料，版權(quán)屬北京大學(xué)前沿計算研究中心微信所有；從公開渠道收集、整理及授權(quán)轉(zhuǎn)載的文字、圖片和音視頻資料，版權(quán)屬原作者。本公眾號內(nèi)容原作者如不愿意在本號刊登內(nèi)容，請及時通知本號，予以刪除。

總結(jié)

以上是生活随笔為你收集整理的实车采集的数据重建场景_SIGGRAPH | 多机器人协同三维场景重建的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。