Motion-Uncertainty-Aware Next-Best-View Planning for Moving Object Reconstruction

Resumo Técnico: Planejamento de Próxima Melhor Visão Consciente da Incerteza de Movimento para Reconstrução de Objetos em Movimento

Declaração do Problema
A reconstrução 3D ativa de objetos em movimento enfrenta um desafio crítico: o atraso entre "decisão e execução". Planejadores de Próxima Melhor Visão (NBV) padrão para objetos estáticos assumem que uma visão selecionada durante o planejamento permanece informativa na execução. No entanto, para objetos em movimento, o movimento durante esse intervalo altera a auto-oclusão e as regiões de superfície visíveis, tornando uma visão avaliada em uma única pose prevista potencialmente redundante ou desalinhada. Abordagens existentes geralmente abordam apenas partes desse problema: planejadores NBV otimizam a cobertura da superfície, mas assumem objetos estáticos, enquanto a percepção ativa consciente do movimento prioriza o rastreamento ou a manutenção da visibilidade sobre a cobertura de reconstrução. Este trabalho aborda essa lacuna formulando o planejamento NBV para um objeto rígido desconhecido submetido a movimento planar, contabilizando explicitamente a incerteza do movimento do objeto durante o intervalo entre planejamento e execução.

Metodologia
O framework proposto reformula o planejamento NBV orientado à cobertura como um problema de seleção de visão no espaço de crença. Em vez de pontuar candidatos em uma única pose nominal do objeto, o sistema avalia as visões com base na sua pontuação orientada à cobertura esperada sobre uma distribuição preditiva de estados futuros do objeto. O loop de planejamento online de horizonte recuante consiste em quatro etapas principais:

1. Estimação e Predição do Estado do Objeto:

   • O sistema funde medições ruidosas de posição planar (de uma fonte externa) com observações de profundidade.
   • Um suavizador de Processo Gaussiano (GP) de atraso fixo estima o estado atual do objeto (posição e velocidade latente) e prediz o estado um passo à frente ($t_{k+1}$).
   • Isso produz uma crença preditiva Gaussiana $p(x_o^{k+1} | D_k)$ contendo tanto incertezas de posição quanto de velocidade.

2. Geração de Candidatos Condicionada à Predição:

   • Visões candidatas são geradas em uma elipse adaptativa à incerteza centrada na localização prevista do objeto.
   • Os semieixos da elipse são escalados anisotropicamente com base na covariância posicional prevista (maiores nas direções de maior incerteza), mantendo uma distância nominal de afastamento.
   • A orientação da elipse alinha-se com o rumo previsto nominal derivado da velocidade média.

3. Filtragem de Alcance:

   • Os candidatos são filtrados contra as restrições cinemáticas do robô (velocidade linear e angular máximas) para garantir que sejam alcançáveis dentro de um único passo de planejamento.

4. Avaliação Consciente da Incerteza de Movimento:

   • Como a pontuação de cobertura esperada não possui expressão de forma fechada devido à visibilidade não linear e à discretização, o sistema utiliza amostragem de Monte Carlo.
   • $N$ amostras são extraídas da crença preditiva do estado do objeto. Para cada amostra, a configuração relativa câmera-objeto é computada e uma pontuação NBV determinística baseada em projeção (PB-NBV) é calculada.
   • A pontuação final para uma visão candidata é a média dessas pontuações em todas as amostras, representando a qualidade de observação esperada sob incerteza.
   • A visão com a maior pontuação esperada é selecionada para execução.

Principais Contribuições

• Formulação: Uma formulação NBV consciente da incerteza de movimento que integra a predição de estado baseada em GP com a seleção de visão orientada à cobertura, raciocinando explicitamente sobre como a incerteza do estado no momento da execução afeta a qualidade da visão.
• Pipeline: Um pipeline de planejamento online que apresenta geração de candidatos adaptativa à incerteza, filtragem de alcance e estimativa de Monte Carlo de pontuações de cobertura esperadas.
• Validação: Simulações abrangentes e experimentos do mundo real demonstrando maior completude de reconstrução em comparação com linhas de base.

Resultados Experimentais
O framework foi avaliado contra duas linhas de base: NBV Não Preditiva (pontuação no estado atual sem propagação) e Rastreamento Apenas Preditivo (seguindo o alvo previsto sem pontuação de cobertura).

• Simulação: Em diversos níveis de ruído de processo, o método proposto alcançou a maior completude de reconstrução. Superou a NBV Não Preditiva ao manter visões informativas apesar do movimento do objeto e superou o Rastreamento Apenas ao diversificar ativamente as visões para revelar superfícies não vistas, em vez de apenas manter a proximidade.
• Estudos de Ablação:
  • Avaliação no Espaço de Crença: A pontuação de Monte Carlo (usando 40 amostras) superou significativamente a pontuação apenas na média prevista, confirmando a necessidade de contabilizar os efeitos não lineares da incerteza.
  • Geometria dos Candidatos: O uso de uma elipse adaptativa à incerteza produziu maior completude do que um anel isotrópico, demonstrando o valor de alinhar a busca de candidatos com a incerteza direcional.
• Experimentos do Mundo Real: Usando um robô móvel com câmera de profundidade e ruído de posição injetado, o método transferiu com sucesso as tendências da simulação. Alcançou maior completude (por exemplo, ~79,8% vs. ~66,0% para a NBV Não Preditiva com alto ruído) ao selecionar visões que expõem novas superfícies conforme o objeto se move, em vez de simplesmente rastreá-lo.

Significado e Alegações
O artigo alega que a reconstrução de objetos em movimento se beneficia do acoplamento explícito entre a estimação preditiva de estado e a seleção de visão orientada à cobertura. Os resultados demonstram que:

1. A predição sozinha é insuficiente: Apenas seguir um alvo previsto (Rastreamento Apenas) falha em maximizar a cobertura da superfície.
2. A cobertura sem predição é insuficiente: Métodos NBV padrão que ignoram a incerteza no momento da execução (Não Preditiva) degradam o desempenho à medida que o movimento do objeto aumenta.
3. O planejamento consciente da incerteza preenche a lacuna: Ao avaliar visões sobre uma distribuição de estados futuros plausíveis, o sistema seleciona ações que permanecem informativas apesar da incerteza de movimento, levando a reconstruções 3D mais completas em ambientes dinâmicos.

O trabalho é modesto em seu escopo, focando no movimento planar de objetos rígidos com poses de robô conhecidas e medições de posição externas. Reconhece limitações relacionadas à deriva de localização, à separação do rastreamento da reconstrução e às aproximações inerentes à pontuação baseada em voxels, sugerindo que trabalhos futuros poderiam integrar rastreamento a bordo e lidar com modelos de movimento mais complexos.