UnLoc: Leveraging Depth Uncertainties for Floorplan Localization

1. El Problema

La localización de cámaras en entornos interiores es fundamental para aplicaciones de realidad aumentada y robótica. Los métodos tradicionales dependen de modelos 3D pre-construidos o bases de datos de imágenes masivas, lo que requiere mucho almacenamiento y mantenimiento, limitando su escalabilidad en entornos dinámicos.

Una alternativa ligera es utilizar planos de planta (floorplans), que son fáciles de obtener y robustos a cambios visuales (muebles, iluminación). Sin embargo, los métodos recientes basados en planos, como F3Loc, presentan dos limitaciones críticas que impiden su despliegue práctico:

1. Falta de modelado de incertidumbre: F3Loc asume que todas las predicciones de profundidad monoculares tienen la misma precisión. En interiores, regiones con paredes de vidrio, puertas abiertas o paredes sin textura generan estimaciones de profundidad poco fiables. Al fusionar estas predicciones sin ponderar su incertidumbre, los errores se propagan y degradan la localización.
2. Dependencia de redes específicas por entorno: F3Loc requiere entrenar una red de predicción de profundidad personalizada para cada conjunto de datos o entorno nuevo. Esto es impráctico para una implementación rápida y escalable, ya que recolectar datos de profundidad para reentrenar en cada nuevo edificio es costoso.

2. Metodología (UnLoc)

El authors proponen UnLoc, una solución impulsada por datos que aborda estas limitaciones mediante un enfoque probabilístico y el uso de modelos pre-entrenados. El flujo de trabajo se describe a continuación:

• Alineación con la Gravedad: Las imágenes de entrada se alinean con la dirección de la gravedad (usando datos de IMU o estimación como GeoCalib) para corregir la orientación de la cámara (roll y pitch), generando una máscara binaria de píxeles válidos.
• Extracción de Características con Modelos "Off-the-Shelf": En lugar de entrenar una red desde cero, UnLoc utiliza un encoder pre-entrenado de Depth Anything v2 (optimizado para entornos interiores). Esto elimina la necesidad de entrenamiento específico por entorno y mejora la generalización.
• Predicción de Profundidad e Incertidumbre (Atención Enmascarada):
  • Las características extraídas se procesan mediante un mecanismo de atención enmascarada.
  • El modelo predice dos vectores 1D: la profundidad estimada ($\hat{d}_t$) y la incertidumbre asociada ($\hat{b}_t$).
  • La incertidumbre modela la incertidumbre aleatoria (ruido de observación), capturando ambigüedades como superficies de vidrio o paredes lejanas.
• Modelado Probabilístico (Distribución Laplaciana):
  • Las predicciones de profundidad no se tratan como valores puntuales, sino como distribuciones de probabilidad explícitas.
  • Se asume una distribución Laplaciana centrada en la profundidad predicha, donde el parámetro de escala está dado por la incertidumbre estimada.
  • Se elige la distribución Laplaciana por sus "colas pesadas" (robustez ante errores grandes en interiores) y por permitir un cálculo eficiente de la verosimilitud en tiempo real.
• Filtrado Histograma (Histogram Filter):
  • Se utiliza un filtro de histograma para fusionar las observaciones a lo largo del tiempo.
  • La verosimilitud de la observación se calcula como el producto de las distribuciones Laplacianas de cada rayo de profundidad.
  • La incertidumbre predicha actúa como un peso natural: las predicciones con alta incertidumbre contribuyen menos a la actualización del estado, mientras que las confiables dominan la estimación de la pose.
• Optimización Post-Procesamiento: Se aplica una corrección rígida global (SE(2)) sobre los últimos $k$ frames, minimizando una función de pérdida ponderada por la incertidumbre para reducir la deriva acumulada.

3. Contribuciones Clave

1. Predicción de Profundidad Consciente de la Incertidumbre: Modelan la profundidad del plano de planta como distribuciones de probabilidad explícitas. Esto permite ponderar las observaciones según su fiabilidad, mejorando significativamente la fusión secuencial en regiones desafiantes.
2. Uso de Modelos Pre-entrenados (Off-the-Shelf): Demuestran que es posible lograr una localización robusta utilizando modelos de profundidad monoculares pre-entrenados a gran escala (Depth Anything v2), eliminando la necesidad de entrenar redes específicas para cada entorno y mejorando la generalización a espacios no vistos.
3. Marco Probabilístico Eficiente: La formulación basada en Laplace permite un cálculo de verosimilitud eficiente, esencial para el filtrado en tiempo real, mientras maneja robustamente los errores de predicción comunes en interiores.

4. Resultados Experimentales

Los autores evaluaron UnLoc en conjuntos de datos sintéticos (Gibson) y del mundo real (LaMAR HGE y LaMAR CAB), comparándolo con el estado del arte (F3Loc).

• Precisión y Robustez:
  • En el conjunto de datos LaMAR HGE (escenario real y desafiante), UnLoc logró una tasa de éxito (Success Rate - SR) de 50.6% en secuencias cortas de 15 frames, frente al 1.2% de F3Loc. Esto representa una mejora de 42.2 veces.
  • En secuencias largas (100 frames), la tasa de éxito mejoró de 36.4% (F3Loc) a 100% (UnLoc), una mejora de 2.7 veces.
  • En el conjunto de datos sintético Gibson, UnLoc superó consistentemente a F3Loc, manteniendo una tasa de éxito superior al 80% incluso en secuencias de solo 15 frames, mientras que F3Loc requería al menos 50 frames para alcanzar ese nivel.
• Generalización: En un experimento de transferencia (entrenar en LaMAR HGE y probar en LaMAR CAB), UnLoc logró localización precisa sin reentrenamiento, mientras que F3Loc falló completamente.
• Eficiencia: Aunque el uso de un modelo de profundidad pre-entrenado es ligeramente más costoso computacionalmente que una red personalizada pequeña, el tiempo de ejecución por frame sigue siendo viable para aplicaciones en tiempo real (aprox. 1 segundo por frame en LaMAR, dominado por la etapa de emparejamiento).

5. Significado e Impacto

El trabajo de UnLoc representa un avance significativo en la localización visual basada en planos de planta al:

• Resolver el problema de la fiabilidad: Al incorporar explícitamente la incertidumbre, el sistema se vuelve robusto a las condiciones visuales ambiguas típicas de los interiores modernos (vidrio, espacios abiertos).
• Facilitar la escalabilidad: Al eliminar la necesidad de entrenar redes de profundidad para cada nuevo edificio, UnLoc hace que la localización basada en planos sea una solución práctica y desplegable a gran escala para robots y dispositivos de realidad aumentada.
• Establecer un nuevo estándar: Demuestra que los modelos de profundidad pre-entrenados, cuando se combinan con una modelización probabilística adecuada, superan a las soluciones especializadas entrenadas desde cero, ofreciendo una mejor relación entre precisión, robustez y coste de implementación.

En resumen, UnLoc transforma la localización en planos de planta de un problema dependiente de datos específicos a una solución generalista, eficiente y robusta, aprovechando la incertidumbre como una característica clave para la toma de decisiones.