[论文解读] Real-time CPU-based large-scale 3D mesh reconstruction

Enrico Piazza, Andrea Romanoni+1 more|arXiv (Cornell University)|Jan 16, 2018

Robotics and Sensor-Based Localization参考文献 30被引用 5

一句话总结

本论文提出了一种首个在单核CPU上实现的实时增量式流形网格重建算法，通过SLAM系统动态更新Delaunay三角剖分，处理大规模三维环境。该方法在保持相近精度的同时，相比先前最先进方法实现了10倍的加速，采用优化的射线追踪和一种新颖的收缩启发式方法，在动态更新下仍能保持网格的流形性。

ABSTRACT

In Robotics, especially in this era of autonomous driving, mapping is one key ability of a robot to be able to navigate through an environment, localize on it and analyze its traversability. To allow for real-time execution on constrained hardware, the map usually estimated by feature-based or semi-dense SLAM algorithms is a sparse point cloud; a richer and more complete representation of the environment is desirable. Existing dense mapping algorithms require extensive use of GPU computing and they hardly scale to large environments; incremental algorithms from sparse points still represent an effective solution when light computational effort is needed and big sequences have to be processed in real-time. In this paper we improved and extended the state of the art incremental manifold mesh algorithm proposed in [1] and extended in [2]. While these algorithms do not achieve real-time and they embed points from SLAM or Structure from Motion only when their position is fixed, in this paper we propose the first incremental algorithm able to reconstruct a manifold mesh in real-time through single core CPU processing which is also able to modify the mesh according to 3D points updates from the underlying SLAM algorithm. We tested our algorithm against two state of the art incremental mesh mapping systems on the KITTI dataset, and we showed that, while accuracy is comparable, our approach is able to reach real-time performances thanks to an order of magnitude speed-up.

研究动机与目标

• 为机器人应用在资源受限的仅CPU硬件上实现实时、大规模3D网格重建。
• 克服现有增量式流形网格化算法因昂贵的流形性强制步骤而导致无法实时运行的计算瓶颈。
• 在不牺牲网格质量或引入近似启发式方法的前提下，支持SLAM系统中的动态点更新。
• 在大规模户外序列（如KITTI数据集中的序列）上实现高精度与实时性能。
• 为自动驾驶车辆和低成本机器人提供可扩展、开源的实时密集地图构建解决方案。

提出的方法

• 该算法通过SLAM系统获取的3D点，增量式维护Delaunay三角剖分，并在新点到达时动态更新网格。
• 提出一种新颖的收缩启发式方法，防止在流形性强制过程中网格区域过度收缩，从而提升重建精度。
• 采用基于缓存和哈希的射线追踪策略，加速可见性检查并减少网格更新过程中的冗余计算。
• 通过重新追踪射线并调整可见性，支持动态点更新，即使在点位置插入后发生变化也能有效处理。
• 利用四面体网格结构与包围集合，高效管理局部网格修改与亏格变化。
• 与ORB-SLAM和运动恢复结构（Structure from Motion）流水线集成，以点云为输入，输出流形网格。

实验结果

研究问题

• RQ1 是否可以在不依赖GPU加速的单核CPU上实现实时增量式流形网格重建？
• RQ2 当点位置随时间变化时，如何在SLAM的动态更新下保持网格的流形性？
• RQ3 为实现实时性能，需要哪些优化来降低射线追踪与四面体更新的计算开销？
• RQ4 与静态点处理相比，引入移动点更新对重建精度和运行时间有何影响？
• RQ5 所提方法是否能在10倍于先前最先进方法的速度下，实现相当或更优的精度？

主要发现

• 所提算法在KITTI数据集上实现了实时性能，可在单核CPU上以交互帧率处理序列00、01、02和05。
• 对于序列00，重建的平均绝对误差（MAE）为0.91m；序列01为0.72m；序列02为0.62m；序列05为1.14m，当不考虑移动点时，精度优于[1]和[2]。
• 在引入移动点处理后，MAE仅轻微上升至1.05m（序列00）、1.14m（序列01）、0.74m（序列02）和1.21m（序列05），表明在动态更新下精度退化极小。
• 与先前最先进方法相比，该算法将运行时间减少了整整一个数量级，实现了10倍加速，同时保持了网格的流形性。
• 在序列02中，更新过程中被收缩的四面体数量高达12,334个，表明实现了显著的网格细化，但得益于优化的哈希与缓存机制，性能仍保持稳定。
• 在序列00中，有9%的点被识别为移动点，仅引入了微小的计算开销，表现为有无移动点处理时运行时间相近。