[论文解读] Three-dimensional Simultaneous Shape and Pose Estimation for Extended Objects Using Spherical Harmonics

Gerhard Kurz, Florian Faion+3 more|arXiv (Cornell University)|Dec 25, 2020

Robotics and Sensor-Based Localization参考文献 27被引用 8

一句话总结

本文提出了一种基于球谐函数表示星凸形状的递归3D形状与位姿估计方法，用于扩展物体。通过将物体表面范围建模为球坐标的角度函数，并利用无迹卡尔曼滤波估计谐波系数，该方法实现了对复杂非刚性形状的精确、实时跟踪与重建，超越了椭球形近似。

ABSTRACT

We propose a new recursive method for simultaneous estimation of both the pose and the shape of a three-dimensional extended object. The key idea of the presented method is to represent the shape of the object using spherical harmonics, similar to the way Fourier series can be used in the two-dimensional case. This allows us to derive a measurement equation that can be used within the framework of nonlinear filters such as the UKF. We provide both simulative and experimental evaluations of the novel techniques.

研究动机与目标

• 解决缺乏有效3D扩展物体跟踪方法，同时估计形状与位姿的问题。
• 克服现有跟踪框架中仅限2D方法和椭球形假设的局限性。
• 实现实时机器人应用中非刚性、星凸物体形状的精确递归估计。
• 提供可推广的形状表示方法，支持高精度重建与分类。
• 通过精确的3D形状建模，促进抓取规划与物体识别等应用。

提出的方法

• 将星凸物体的3D形状表示为从中心星点到球坐标径向距离的函数。
• 使用球谐函数作为基函数参数化形状函数，实现紧凑且平滑的表示。
• 将测量过程建模为球谐系数与物体位姿（位置与姿态）的非线性函数。
• 应用无迹卡尔曼滤波（UKF）从噪声3D点云测量中递归估计位姿与谐波系数。
• 在状态转移模型中引入已知角速度，以提升动态估计性能。
• 使用多传感器深度数据（例如，两台Kinect 2.0相机）获取密集、多视角点云，用于形状重建。

实验结果

研究问题

• RQ1 球谐函数能否为扩展物体跟踪中的非刚性、星凸形状提供有效且递归的3D表示？
• RQ2 球谐系数的数量如何影响形状重建的精度与细节程度？
• RQ3 在真实场景中，该方法是否能优于现有方法（如随机矩阵法（椭球形假设）和α形状法（对噪声敏感））？
• RQ4 该方法在处理形状与运动的动态变化（包括已知角速度）方面的能力如何？
• RQ5 该方法在具有噪声和异常值的真实传感器数据上的泛化能力如何？

主要发现

• 所提方法利用球谐函数实现了精确的3D形状与位姿估计，且随着谐波阶数提高（例如，阶数15比阶数6提供更精细的细节），重建质量显著提升。
• 该方法成功使用双Kinect 2.0传感器实时跟踪移动浇水壶的运动，位姿估计稳定且一致。
• 随机矩阵方法受限于椭球形，产生了较差的形状估计，证实了更灵活表示的必要性。
• α形状方法虽更详细，但对噪声高度敏感，且在时间步长间不稳定，而本方法基于滤波的策略表现出更强的鲁棒性。
• 球谐函数的使用实现了多视角深度数据的递归融合，从而在时间上生成一致且平滑的3D形状模型。
• 在状态模型中引入已知角速度显著提升了动态估计性能，尤其在旋转运动中表现更优。