← 返回论文列表

用于空间机器人感知的层次化物体表示：点、网格与超二次曲面
Hierarchical Object Representation for Spatial Robot Perception: Points, Meshes, and Superquadrics

作者: Ceng Zhang, Wan Su, Mohamed Samshad 等5人
arXiv: 2606.01545v1
分类: cs.RO
📝 论文摘要
分层3D场景图（3DSG）作为一种融合度量、语义与拓扑信息、适用于长期自主导航的可操作且可扩展的场景表示方法已崭露头角。然而，3DSG中对象的几何表示问题长期被忽视——多数方法采用简化几何模型（如局部点云或3D边界框）。本文提出一种分层对象表示方法，可同时实现：高保真对象级三维重建、基于对象的鲁棒重定位与地图对齐，以及在密集杂乱环境中为安全机器人导航规划提供高效解析碰撞检测。该表示在结构上分为四个递进层次：从原始传感器数据逐步抽象为稠密三维网格，最终形成超二次曲面等解析几何基元，为对象几何提供稀疏且可解析的表征。我们开发了一套从机器人采集的RGB-D图像流构建分层对象表示的流水线，并在室内外真实开放场景中验证其有效性。基于HOPE、ReplicaCAD、Kimera-Multi以及使用Unitree B2机器人采集的NUS校园数据集等多样本数据的广泛实验，验证了该流水线在室内外环境中的性能。实验表明，基于超二次曲面的地图对齐方法优于当前最先进的基于对象的地图对齐方法ROMAN。完整代码已开源：https://github.com/perceptica-robotics/Hickory。

📊 核心分析

🎯 研究动机
- 现有**层次化3D场景图(3DSG)** 中物体几何表示被忽视，多使用简化模型如**部分点云(partial point clouds)** 或**3D边界框(3D bounding boxes)**，难以支持高保真重建和鲁棒重定位 - 机器人长期自主导航需要同时兼顾高保真度物体级重建、高效碰撞检测以及基于物体的地图对齐，但现有方法无法统一满足这些需求 - 研究背景：随着**层次化3D场景图(3DSG)** 在长期自主中的应用，原始传感器数据到解析几何基元之间的过渡表示缺失
🔧 核心方法
- 提出一种**层次化物体表示(hierarchical object representation)**，结构分为四层：从**原始传感器数据(raw sensor data)** 到**稠密3D网格(dense 3D meshes)** 再到**解析基元(analytical primitives)** 如**超二次曲面(superquadrics)**，逐步抽象场景 - 开发从**RGB-D图像流(RGB-D image stream)** 构建该层次表示的完整管道，支持开放场景中的物体级重建 - 基于**超二次曲面(superquadrics)** 提出新的地图对齐方法，用于鲁棒的物体级重定位和地图对齐
💡 核心创新
- **首次** 提出将**超二次曲面(superquadrics)** 作为稀疏解析表示集成到层次化物体表示中，实现从稠密网格到解析基元的平滑过渡 - **方法创新**：基于超二次曲面的地图对齐方法在多个数据集上优于当前**基于物体的SOTA地图对齐方法ROMAN(object-based map alignment)** - **结构分层设计**：四个层次兼顾高保真重建（网格层）与高效分析性碰撞检测（超二次曲面层），实现精度与效率的平衡
🏆 总体贡献
- 为机器人空间感知提供了一种新颖的**层次化物体表示范式**，统一了高保真重建、鲁棒重定位和高效碰撞检测 - 在**HOPE、ReplicaCAD、Kimera-Multi** 以及**NUS校园数据集** （使用**Unitree B2机器人** 采集）上进行了室内外广泛验证，证明了方法的通用性 - 开源代码促进社区复现与后续研究，推动层次化场景图在机器人导航中的应用