技術要約: DisFlow – 距離関数からのシーンフロー

問題提起

動的な物体のポーズと運動を推定することは、ロボットの知覚における基本的な課題であり、操作、把持、ナビゲーションなどのタスクに不可欠である。古典的な同時自己位置推定および地図作成（SLAM）や再構成手法は、静止した環境では優れているが、部分的なノイズを含む観測から物体の運動と表面幾何学を共同で推論することが困難であるため、動的な物体に対しては苦慮する。

既存のアプローチには、以下の具体的な限界がある：

• トラッキング特化型手法（例：オプティカルフローベース、または学習ベースのパイプライン）は、ポーズと速度の推定値を提供するが、密で時間的に一貫した表面再構成を維持することには失敗し、接触に関する推論への有用性を制限している。
• 再構成特化型手法（例：TSDF融合）は、明示的な表面を構築するが、通常は静的なシーン向けに設計されている。これらは、安全性や計画において極めて重要な確率的表現や不確実性の推定を欠いていることが多い。
• 学習ベースの手法は、大規模な訓練データと特定の物体カテゴリに依存するため、未知の物体への汎用性に制限がある。

リアルタイムの6DoFポーズ追跡、速度推定、および不確実性定量化を伴う密な表面再構成を、特に動的な物体に対して同時に提供できるフレームワークへの空白が存在する。

手法: DisFlow フレームワーク

DisFlowは、距離関数から直接シーンフローを推定することでこの空白を埋め、オンラインでの6DoFポーズおよび速度推定と、確率的な表面再構成を可能にする。このフレームワークは、物体中心の参照フレームで動作し、時間の経過に伴う幾何学的整合性を確保する。

1. 潜在的表面表現 (GPIS)

物体の幾何学は、ガウス過程潜在曲面 (Gaussian Process Implicit Surfaces: GPIS) を用いて表現される。離散的なボリュームグリッド（例：TSDF）とは異なり、GPISは連続的で微分可能、かつ確率的なモデルを提供する。

• 制約: このモデルは、表面点（ゼロレベルセット）と表面法線（勾配制約）の両方を用いて訓練される。
• 予測: 任意のクエリ点に対して、GPISは符号付き距離とその勾配、および分散（不確実性）の推定値を予測する。
• スケーラビリティ: リアルタイム動作を可能にするため、3Dドメインは**オクトリー（八分木）**を用いて分割される。各ノードは近傍のサンプルに対するローカルなGPを保持し、新しいフレームが到着する際の効率的な逐次更新を可能にする。

2. シーンフローの定式化 (DisFlow)

核心となる革新は、物体が移動する際に表面点がどのように輸送されるかを記述するDisFlowの計算である。

• 輸送方程式: 本手法は、輸送方程式 $\frac{\partial d(x, t)}{\partial t} + v(x, t)\nabla d(x, t) = 0$ を利用する（ここで $d$ は符号付き距離関数、$v$ はシーンフロー）。
• メカニズム: 高いフレームレートでGPIS表現から距離と勾配をクエリすることにより、システムは連続的なフロー場を導出する。このフローは、明示的な特徴量マッチングを必要とせずに、連続する観測間の暗黙的な点対点の対応関係を確立する。

3. ポーズおよび速度の推定

ポーズ推定は、観測された点群（物体フレームに変換されたもの）を潜在的表面に適合させる最適化問題として定式化される。

• 目的関数: 符号付き距離の二乗和を最小化する（$E = \sum d(x_j)^2$）。
• 最適化: 現在のポーズ推定の周囲で問題を線形化し、ツイスト増分 $\xi$（並進および回転）を閉形式で解く。勾配 $\nabla d(x)$ は対応方向として機能する。
• 正則化: ノイズや部分的な観測に対する堅牢性を確保するため、時間的正則化項が連続するフレーム間の滑らかさを強制し、予測された速度からの偏差にペナルティを課す。

4. 物体中心の融合

従来の、カメラまたはワールドフレームでデータを融合する手法（複雑な動的点除去を必要とする）とは異なり、DisFlowは観測を直接物体フレームに融合する。

• プロセス: ポーズ $T^k_{oc}$ が推定されると、新しい点は物体フレームに変換され、対応するオクトリークラスターに追加される。
• 利点: 物体フレーム内では、表面は本質的に静止している。これにより、パイプラインが簡素化され、動的な点のフィルタリングが不要になり、急速な運動中であっても幾何学的一貫性が保たれる。

主な貢献

1. DisFlowフレームワーク: 瞬時の距離関数を利用してシーンフローを回復し、リアルタイムの6DoFポーズおよび線形/角速度推定と、確率的な表面再構成を結合させた新しいシステム。
2. 物体中心戦略: 地図を物体フレーム内で保持することで、動的な物体を自然に扱い、幾何学的一貫性を確保し、融合プロセスを簡素化する定式化。
3. 統合された出力: システムは、リアルタイムのポーズ軌跡、物体速度、密な表面再構成、および不確実性推定を同時に提供し、トラッキングまたは再構成のいずれか一方に焦点を当てたベースラインを凌駕する。

実験結果

本フレームワークは、Fast-YCBデータセット、および回転する人間や飛翔物体を含む実世界のシーケンスを用いて評価された。

定量的評価

• ポーズ追跡: DisFlowは、Fast-YCBデータセットにおいてベースライン（DOPE, PoseRBPF, TrackNet, ROFT）を大幅に上回った。
  • 003 ク래ッカーボックスにおいて、ADD-AUC 92.44%（ROFTの78.50%に対し）を達成し、並進RMSEは0.790 cmであった。
  • 幾何学的制約が弱い滑らかで対称的な物体である006 マスタードボトルにおいて、ADD-AUC 94.83%を達成し、並進RMSEは0.498 cmとなり、堅牢性を示した。
• 速度追跡: 速度を提供する唯一のベースラインであるROFTと比較して、DisFlowは線形速度RMSEを半分以下に削減し（例：クラッカーボックスにおいて5.237 cm/sから2.311 cm/sへ）、角速度の精度を大幅に向上させた。
• 表面再構成: Chamfer距離およびHausdorff距離の指標を用いて、DisFlowはTSDFベースの融合よりも正確なメッシュを生成した。
  • Chamfer距離は0.0059（TSDF）から0.0045へと改善した。
  • 微細な閾値（1mmおよび2mm）におけるFスコアは大幅に高く、法線の整合性も向上した。

定性的評価

• 一貫性: 360度の人間による回転や、急速な「飛ぶドーナツ」の動きを含むシーケンスにおいて、再構成された物体は物体フレーム内でシームレスで固定された点群として維持され、開始地点に戻った際にも目に見えるドリフトやずれは見られなかった。
• 不確実性の可視化: GPISの確率的な性質により、メッシュ上に不確実性を可視化することが可能であり、これは観測が限られている領域を特定する上で、アクティブセンシングに価値をもたらす。

意義と限界

本論文は、DisFlowがトラッキング指向の手法と再構成指向の手法の間の溝を埋めるものであると主張している。その意義は、密な幾何学、運動推定、および不確実性を同時に提供する統一された確率的フレームワークを提供することにある。これは、把握計画や衝突チェックなど、安全な相互作用を必要とするダウンストリームのロボットタスクにとって特に価値が高い。

限界:
著者らは、本手法が幾何学的制約に依存していることを指摘している。ほぼ平坦な物体、構造が最小限の物体、あるいは高い対称性を持つ物体（例：缶やボトル）の場合、制約が弱くなり、最適化解が曖昧になる可能性がある。現在の研究は幾何学のみの定式化に焦点を当てており、RGB画像特徴の統合は今後の課題としている。