【论文笔记】3D LiDAR Mapping in Dynamic Environments Using a 4D Implicit Neural Representation

原文链接：https://www.ipb.uni-bonn.de/wp-content/papercite-data/pdf/zhong2024cvpr.pdf

1. 引言

为实现户外场景的精确3D重建，需要考虑运动物体的动态。过去的SLAM方法可使用多种策略处理动态：（1）使用预处理步骤从输入过滤动态，这要求对场景的语义解释；（2）在地图表达中建模占用，可通过回顾性地移除空空间的测量隐式移除动态；（3）将其纳入状态估计，对来自动态和静态部分的测量进行建模。本文方法使用（3），在地图表达中直接建模动态，得到时空占用地图表达。

隐式神经表达启发了本文对动态环境的4D重建。本文将时间相关的截断有符号距离函数（TSDF）编码为隐式神经场景表达。本文以连续激光雷达点云为输入，在每帧生成TSDF，用于提取网孔。背景的TSDF在整个序列中不变，容易从4D信号中提取出来，作为静态地图，可用于从原始点云中分割动态物体。与显式的体素表达相比，神经隐式表达可保留丰富的地图细节。

3. 本文的方法

本文的输入为点云序列${\mathcal{S}}_{1:N}=({\mathcal{S}}_1,\cdots ,{\mathcal{S}}_N)$及其相应的全局姿态$T_t\in {\mathbb{R}}^{4\times 4},t\in [1,N]$。点云 S t = { s t 1 , ⋯   , s t M t } \mathcal S_t=\{s^1_t,\cdots,s^{M_t}_t\} St​={ st1​,⋯,stMt​​}中的点$s_t^i\in {\mathbb{R}}^3$。本文的目标是重建4D TSDF并保留静态3D地图。

3.1 地图表达

时间表达：TSDF为点$p\in {\mathbb{R}}^3$的标量函数，其值为点到最近表面的距离（若距离大于阈值，则将距离设置为阈值）。当点位于空空间或测量表面前时，符号为正；当点位于占用空间或测量表面后时，符号为负。

在动态场景中，点的有符号距离值可能会随时间变化。但对于静态物体的点而言，其有符号距离值不变。本文的思想是使用$K$个全局共享的基函数${\varphi }_k:\mathbb{R}\to \mathbb{R}$表达各点的时变SDF。则$t$时刻，点$p$的TSDF为
$$F(p,t)=\sum _{k=1}^K{w}_p^k{\varphi }_k(t)$$

其中$w_p^k\in \mathbb{R}$为可优化的位置相关系数。本文将基函数初始化为离散余弦变换（DCT）基函数：
$${\varphi }_k(t)=\cos (\frac{\pi }{2N}(2t+1)(k-1))$$

则${\varphi }_1(t)=1$为时不变的。优化过程中，本文将${\varphi }_1(t)$固定（将$w_p^1$视为点$p$的静态SDF值），通过反向传播优化其余基函数。则$F(p,t)$可分解为动态基函数