關鍵詞：三維重建 機器人

編者按

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

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

背景

從機器人領域的移動導航、動作規劃和物體抓取等經典問題，到虛擬現實、增強現實和混合現實等圖形技術，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，三維重建領域正經歷著一場“文藝復興”。三維重建涉及計算機圖形學、計算機視覺和機器人等多個領域，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，仍然需要訓練有素的專業掃描人員執行掃描過程，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，是因為其做了很多假設，例如要求掃描設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，經常會面臨算法失敗的問題。即使是專業掃描人員，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。從單個物體到室內房間，這些工作使用機器人攜帶掃描設備，根據重建實時反饋，指導機器人掃描并建模。

相關工作

陳寶權老師帶領的Visual Computing and Learning 課題組近幾年發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域的一個重要研究方向。目前已經有一些針對機器人協同合作的研究工作，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航。也有一些工作基于貪心策略、MTSP(多旅行商問題)和區域分割等算法設計策略指導多個機器人協同工作，雖然取得了一些進展，但是在場景復雜、機器人數量較多情況下其難求解，缺乏靈活性，并沒有達到預期的效果。

我們的方法

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

最優質量傳輸的例子

最優質量傳輸理論就是為了研究這類優化問題而提出，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，未知環境看作是掃描的需求方，而機器人實際執行掃描任務所需要的代價(如移動距離)作為映射的度量。以此為基礎，我們通過求解最優質量傳輸，就可以得到機器人和掃描任務之間的映射，使掃描代價最低。

機器人掃描的最優質量傳輸

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，如何度量未知環境對掃描的需求分布呢？首先，所有的未知區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域，我們沿襲最經典的三維重建方法KinectFusion中對掃描重建模型質量的評估方式，如果質量沒有達到目標，那么我們把這些區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，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，我們可以簡單地使用機器人到任務的最優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，那么我們使用機器人與這些任務構成的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質量傳輸模型。在求解優化目標時，TSP的離散性給我們優化問題的求解帶來了困難，于是我們進一步研究目標函數近似求解的方法，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，這個過程中最優質量傳輸的求解也會隨之更新，直到完整的場景被高質量地重建出來。

隨場景更新而重新計算最優質量傳輸

我們的結果

我們在模擬器中使用Matterport3D與SUNCG數據集對算法進行了測試，取得了不錯的效果。

Matterport3D (上圖) 與 SUNCG (下圖) 數據集測試結果

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果。

五院幾個房間掃描重建結果

總結

我們提出了一種多個機器人協同掃描的理論和算法。基于最優質量傳輸理論，使用分而治之的策略，驅動多個機器人高效地探索掃描室內大規模場景，并重建其三維模型。

?關于SIGGRAPH?

SIGGRAPH (Special?Interest?Group on Computer?GRAPHics and?Interactive?Techniques) 是計算機領域規模最大的頂級會議、CCF A類會議，參加人數達2萬余人，每年收錄百余篇圖形學相關的優秀論文，是計算機圖形領域集技術、藝術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 | 基于級聯生成式與判別式學習的乳腺鉬靶微鈣化檢測

• CVPR | 智能體張量融合，一種保持空間結構信息的軌跡預測方法

• TPAMI | 從虛擬到現實，一種基于強化學習的端到端主動目標跟蹤方法

—? ?版權聲明? —

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

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。