论文笔记：《Object-Aware Guidance for Autonomous Scene Reconstruction》

一、目的

利用机器人和RGB-D深度传感器可以自动探索和重建未知区域。（主要是室内）

二、背景介绍：

移动机器人和深度传感器传感器的发展的促进。

在此研究方向中，机器人系统一般由两个级别的导航方式构成：全局路径规划（针对整个地图）和局部路径规划（针对单独的目标）。

Path planning（全局路径规划）负责去探索场景信息，通过全局位置信息和机器人自身定位去寻找Next-best robot position。

View planning（局部路径规划）负责去寻找next-best-view（NBV），为系统提供最好的传感器输入去构建3Dmodel。

之前存在的系统，其全局探索和目标扫描是分离的。第一次导航用来获取场景地图和3D场景数据，然后进行离线的分析和重建或者进行第二次pass去对目标的细节进行扫描。（很难通过一次导航去完成整个3D场景的构建）

本文：object-aware guidance，即时且同时进行global path planning 和 local detailed view planning。可以通过一次导航（one pass）完成整个3D场景的构建。

                                                                          左图全局路径，右图局部路径

本文的方法是一个迭代交错的方法，简单的流程示意如下图：

三、方法介绍

废话不说，先上图。

符号定义：

robot-、current scene surface-、reconstructed scene-S(初始为空）、3Dmodel的数据集-M、OOI-、观测点-V。

本文的主要做的工作有三部分：

1、a notion of model-dirven objectness（目标与数据库中的model的匹配方法）；

2、an objectness-based segmentation method（目标级别的分割算法）；

3、an objectness-based exploration and scanning strategy（NBO+NBV）。

底层框架是GPU版的dense RGB-D SLAM 框架。【Thomas Whelan, Stefan Leutenegger, Renato F Salas-Moreno, Ben Glocker, and An- drew J Davison. 2015. ElasticFusion: Dense SLAM without a pose graph. In Proc. Robotics: Science and Systems】

3.1 Objectness-based segmentation

3.1.1 pre-segmentation

预分割算法来自：【Keisuke Tateno, Federico Tombari, and Nassir Navab. 2015. Real-time and scalable incremental segmentation on dense SLAM. In Intelligent Robots and Systems (IROS), 2015 IEEE/RSJ International Conference on. IEEE, 4465–4472.】

在SLAM框架的顶层运行，能把分割为near-convex components (like legs and arms of chairs)，把分割出来的结果称为预分割组件，用