基于无人机隐式神经表示的大规模主动测绘

前言

主动重建技术允许机器人自主探索场景，实现全覆盖并减轻人工数据采集的负担。然而，现有的方法受到复杂场景表示的限制，特别是在大规模环境中。隐式神经表示，特别是神经辐射场（NeRF），由于其能够捕捉复杂细节并优化存储，为大规模场景的高保真重建提供了显著优势。

本文提出了一种基于隐式神经表示的大规模主动重建框架。该框架增强了 NeRF 以识别低质量区域，并执行在线质量评估以指导高效探索。同时，设计了一种包含平滑飞行轨迹的主动重建策略，以提高重建质量和完整性。通过选择灵活性高的四旋翼飞行器平台，在仿真环境中验证了该方法的有效性。

图1：仿真环境概览

展示了 Gazebo 中的仿真环境（OSRF First Office）及其对应的无人机模型表示。

系统概览

本文提出了一种基于隐式神经表示的大规模主动测绘框架，利用 RGB-D 相机实现自主高效飞行。无人机通过机载相机传感器收集单帧深度和彩色图像数据，然后通过 SLAM 模块注册到全局点云地图中。

SLAM 结果用于生成 3D 占据栅格地图，该地图用于前沿点（Frontier）检测。在生成候选视点后，处理每个视点的深度和彩色图像数据以进行建图过程，从而获得每个视点的质量评估指标 。这与每个视点的可见前沿  结合以计算增益。选择完全覆盖未观测区域的最短路径，并生成平滑的飞行轨迹。最后，无人机的飞行控制器用于执行飞行任务。

图2：基于隐式神经表示的主动测绘框架概览

流程图展示了从传感器数据输入到 SLAM、3D 占据栅格图构建、快速建图（Rapid Mapping）、候选视点生成、路径确定以及最终轨迹生成的完整闭环。

核心方法论

隐式神经表示

为了实现实时、高保真和高度完整的建图，隐式神经表示框架类似于 Rapid-Mapping。该建图算法允许 RGB-D 或 LiDAR-RGB 输入，并采用多分辨率哈希编码。这种方法在训练期间有效地利用环境表示进行计算，同时减少了 MLP 解码器中的层数。具体来说，输入空间中的任意点 ，经过处理后将产生对应的几何 SDF 值  及其 RGB 颜色表示 。

为了使用 SDF 执行渲染，我们将 SDF  转换为密度：

其中  是控制表面边界锐度的可学习参数。然后使用体积密度渲染每条光线的颜色和深度：

建图过程以自监督方式进行训练，应用了自由空间损失 () 和 SDF 损失 ()。此外，还应用了渲染损失函数，包括 RGB 损失 () 和深度损失 ()：

质量评估

质量评估旨在识别重建中纹理和几何精度较差的区域。对于主动建图，弱纹理区域的质量可以通过增加多视角覆盖来改善。为了准确反映地图质量并协助选择下一个最佳视点，作者提出了一种基于新视角合成的质量评估方法。

具体而言，对于任何视点 ，将生成一个虚拟相机。对于空间中的任意输入 ，我们可以将此点投影到虚拟相机上以获得新视角合成的真实值：

其中  和  是对应像素点的位置， 是相机的内参， 是视点的位姿。通过结合投影结果和渲染损失，可以获得质量评估指标 。

完整性评估与增益计算

为了支持场景的全覆盖，引入了针对候选视点的完整性评估。由于现有的 NeRF 方法仅保留有关占据体积的信息，作者维护了一个 3D 占据栅格地图来表示未观测体积，并将其与 NeRF 地图损失集成到视点选择过程中。

最终，每个视点的信息增益计算如下：

其中  代表视点的信息增益， 和  分别代表从视点观察到的 NeRF 地图损失和前沿点。 和  是权重系数。

探索路径规划

探索路径规划旨在生成一条便于高效决策的观测路径。

1. 候选视点生成：在局部规划范围  内，覆盖前沿和 NeRF 地图损失（FALs）。均匀采样候选点，并独立优化每个点的偏航角（yaw）以最大化传感器覆盖。
2. 路径确定：确定一条穿过候选视点子集的路径，最小化路径长度同时确保全覆盖。该过程涉及计算可访问的 FALs 总数，选择 Top-z 候选视点，并使用 Lin-Kernighan 启发式算法求解旅行商问题（TSP）变体，以确定最短路径 。

实验结果与讨论

为了验证所提方法的性能，作者在具有光照条件的仿真场景中进行了实验。

计算效率

表1：各组件平均计算时间

表1展示了质量评估、路径规划和轨迹生成各环节的平均计算时间（单位：毫秒）。结果表明系统具有较高的实时性，总耗时仅约 46ms。

探索性能

表2：仿真场景中不同方法的探索统计

表2对比了 FUEL、Ours w/o N（消融实验，无质量评估）和 Ours（完整方法）在 OSRF 办公室场景下的总探索时间、总移动距离和平均覆盖率。结果显示，完整方法在探索时间和覆盖率上均优于对比方法。覆盖率计算公式为：

可视化结果

图3：不同方法的最终建图结果

图中展示了 FUEL、Ours w/o N 和 Ours 三种方法的最终建图效果。其中 A 代表点云地图，B 代表网格（Mesh）模型。可以看出本文提出的方法生成的地图更加完整，细节更丰富。

图4：覆盖率随时间变化的趋势图

折线图展示了不同方法随时间推移的覆盖率变化。红线（Ours）上升最快且最终达到的覆盖率最高，证明了该方法在效率和完整性上的优势。

总结

本文提出了一种基于新兴隐式神经表示技术的主动测绘系统。为了实现对建图结果的实时评估并为测绘策略提供反馈，设计了基于 NeRF 的质量评估方法和使用 3D 占据栅格地图的完整性评估方法。此外，提出了一种路径规划方法，选择一系列最佳视点以增强重建过程。为了确保无人机飞行的安全和效率，生成了具有时间约束的平滑轨迹。仿真实验验证了该方法在探索效率和地图质量方面的优越性。

敬请期待我们的下一篇文章！欢迎加入我们关于SLAM&大模型&Agent&具身智能学术交流群。