ScanDP: Generalizable 3D Scanning with Diffusion Policy

ScanDP 提出了一种基于扩散策略的高效 3D 扫描框架，通过采用占据栅格地图和混合路径优化方法，实现了在未见物体类别上具有更强泛化能力、抗噪性及覆盖率的通用扫描。

要点

想象一下，你手里拿着一个神奇的“数字相机”，想要把眼前一个复杂的物体（比如一个雕像或一只玩具恐龙）完整地扫描成 3D 模型。

传统的做法就像是一个刚学画画的新手：

• 规则派：拿着尺子，机械地绕着物体走“之”字形，不管前面有没有墙，也不管有没有扫到死角，容易撞车或者漏扫。
• 强化学习派：像是一个疯狂试错的小狗，为了得到奖励（扫得全），它可能会在原地打转，或者为了扫到一个点而绕地球一圈，效率极低，而且换个新物体它就懵了，得重新训练很久。

这篇论文提出的"ScanDP"，则像是一位经验丰富的老摄影师，但他有一个超级大脑。

1. 核心魔法：像人类一样“思考” (Diffusion Policy)

以前的 AI 扫描，要么死板，要么乱撞。ScanDP 使用了“扩散策略”（Diffusion Policy）。

• 比喻：想象你在画一幅画，一开始纸上全是杂乱的噪点（像雪花屏）。ScanDP 不是直接画完，而是像慢慢显影一样，一步步把噪点变成清晰的线条，最终生成一条完美的拍摄路径。
• 优势：它通过模仿人类专家的操作（就像看大师怎么拿相机），学会了如何优雅地移动。哪怕遇到没见过的物体（比如从扫兔子变成了扫恐龙），它也能迅速适应，因为它是“理解”了扫描的逻辑，而不是死记硬背。

2. 超级眼睛：不只看“点”，更看“空间” (Occupancy Grid Map)

很多 AI 扫描时，直接看密密麻麻的“点云”（3D 数据点）。这就像在雾里看花，如果有点模糊（传感器噪音），AI 就晕了。

• 比喻：ScanDP 不直接看那些乱飞的点，而是把周围空间想象成一个巨大的 3D 乐高积木墙。
  • 积木块如果是空的，就是“空气”。
  • 积木块如果被挡住了，就是“墙壁”。
  • 它通过不断积累信息，把“墙壁”和“空气”的概率算得清清楚楚。
• 优势：即使相机有点抖动，或者光线不好导致数据有杂音，这个“乐高墙”也能通过多次确认，自动过滤掉噪音。就像你闭上一只眼，另一只眼依然能判断出前面有没有墙一样，非常抗干扰。

3. 安全导航：吹气球避障 (Bubble-based Collision Filter)

AI 生成的路径有时候会很“飘”，可能会让机器人撞坏珍贵的文物。

• 比喻：ScanDP 给机器人的相机周围想象了一个透明的保护气球。
  • 在移动前，它会先吹大这个气球，看看气球有没有碰到周围的“墙壁”（障碍物）。
  • 如果气球碰到了，说明路不通，它会立刻调整。
  • 如果气球畅通无阻，它才敢走过去。
• 优势：这保证了机器人不仅扫得全，而且绝对安全，不会像没头苍蝇一样乱撞。

4. 结果：又快、又全、又稳

在实验中，ScanDP 的表现就像是一个老练的探险家：

• 扫得更全：它能发现那些藏在背后的死角（比如恐龙肚子底下的花纹），覆盖率高达 97% 以上，而以前的方法经常卡在某个角度转不出来。
• 走得更短：它不走冤枉路，路径非常平滑，就像在走一条精心规划的观光路线，而不是在迷宫里乱撞。
• 适应性强：哪怕物体变大、变小，或者换了不同的相机，它都能轻松应对，不需要重新训练。

总结

简单来说，ScanDP 就是给 3D 扫描机器人装上了一个懂艺术、有空间感、且极度谨慎的“大脑”。它不再需要成千上万次试错，而是通过少量的专家示范，就能学会如何优雅、安全、高效地把任何物体扫描得完美无缺。这对于博物馆数字化、工业检测等领域来说，就像是从“手动挡”直接升级到了“自动驾驶”。

技术摘要

1. 研究背景与问题 (Problem)

背景：
3D 扫描在机器人、自动驾驶、工业检测和数字归档等领域至关重要。虽然自动化扫描（如基于规则的探索或强化学习）正在发展，但仍面临诸多挑战。

核心痛点：

• 泛化能力差： 现有的基于强化学习（RL）的方法通常需要大量训练数据，且难以泛化到未见过的物体类别或不同尺寸。
• 数据效率低： 训练高性能模型往往需要数百个物体的数据，成本高昂。
• 鲁棒性不足： 直接处理点云（Point Cloud）的方法对传感器噪声敏感，且在复杂几何结构下容易产生冗余路径或碰撞风险。
• 行为不可预测： 传统的模仿学习（IL）有时会产生非预期的行为或次优动作。

目标：
提出一种数据高效、高泛化性且鲁棒的 3D 扫描框架，能够利用少量专家演示数据，在未见过的物体上实现高效、安全的扫描路径规划。

---

2. 方法论 (Methodology)

作者提出了 ScanDP 框架，基于扩散策略（Diffusion Policy），结合占据栅格地图（Occupancy Grid Map, OGM） 和路径优化技术。

A. 核心架构

ScanDP 是一个视觉 - 运动策略（Visuomotor Policy），包含两个主要阶段：

1. 路径生成 (Path Generation)： 利用扩散模型生成初始扫描动作序列。
2. 路径优化 (Path Optimization)： 对生成的动作进行碰撞检测和轨迹平滑，确保安全性。

B. 关键组件详解

1. 基于 OGM 的观测表示 (OGM Representation)：

   • 创新点： 不同于以往直接使用点云或 RGB 图像，ScanDP 使用占据栅格地图 (OGM) 作为扩散策略的输入。
   • 原理： 利用贝叶斯更新机制，将深度图（Depth Map）和相机位姿转换为 3D 体素网格的占据概率。
   • 优势： OGM 能够显式地表示测量不确定性，并通过多帧观测的累积平均掉单次观测的噪声，从而显著提高对传感器噪声的鲁棒性。
   • 特征提取： 使用稀疏卷积 (Sparse Convolution) 处理稀疏的 OGM 数据，相比传统 3D 卷积更高效。

2. 扩散策略 (Diffusion Policy)：

   • 模型： 采用去噪扩散概率模型 (DDPM)。
   • 输入条件： 拼接 OGM 特征向量 ($e_{ogm}$) 和当前/历史相机位姿特征 ($e_{cam}$)。
   • 输出： 预测未来的 $N$ 步相机位姿动作序列。
   • 训练： 通过模仿学习，利用少量人类专家演示数据训练网络去噪，从而学习人类扫描策略。

3. 路径优化 (Path Optimization)：

   • 气泡碰撞过滤 (Bubble-based Collision Filter)： 在 OGM 中，计算相机周围最近的“占据”体素距离，定义一个安全半径（气泡）。只有半径大于阈值的路径点被视为安全。
   • 视点提取与轨迹优化： 使用动态规划 (Dynamic Programming) 对生成的路径进行精简。目标是在保证重建误差（Reconstruction Loss）低于阈值的前提下，最小化路径上的关键帧数量，从而消除冗余动作，获得更平滑、更短的轨迹。

---

3. 主要贡献 (Key Contributions)

1. 卓越的泛化能力 (Generalizability)：

   • 仅在Stanford Bunny（斯坦福兔子） 这一种物体的少量数据上进行训练，即可成功泛化到形状、尺寸完全不同的未见物体（如 Armadillo, Dragon, Spot 等）。
   • 解决了传统方法难以适应新物体类别的难题。

2. 高数据效率 (Efficiency)：

   • 仅需5 条人类专家演示轨迹即可完成训练，大幅降低了数据收集成本。
   • 相比需要数百个物体训练的 RL 方法，显著降低了计算和训练负担。

3. 强鲁棒性 (Robustness)：

   • 抗噪性： 在深度图存在高斯噪声（模拟真实传感器噪声）的情况下，ScanDP 仍能保持高覆盖率，而基于点云的基线方法性能急剧下降。
   • FOV 泛化： 在不同视场角（FoV）的相机设置下表现稳定。
   • 安全性： 通过气泡过滤和路径优化，确保了无碰撞且平滑的扫描轨迹。

---

4. 实验结果 (Results)

A. 仿真实验 (Simulation)

• 覆盖率 (Coverage)： 在未见物体上，ScanDP 的平均覆盖率达到 94.0%，显著优于基线方法（Diffusion Policy: 87%, 3D Diffusion Policy: 89%）。
• 路径长度： ScanDP 生成的路径更短且更平滑。相比无优化的方法，路径优化使总行程减少了约 32%。
• 抗噪测试： 当输入深度图加入 0.1 的高斯噪声时，ScanDP 覆盖率保持在 88%，而 3D Diffusion Policy 覆盖率下降了 20%。
• FOV 测试： 在不同相机视场角下，ScanDP 均保持了高覆盖率（83%-97%），证明了其对传感器配置的适应性。

B. 真实世界实验 (Real-World)

• 设置： 使用 6-DoF 机械臂 + 转台 + Intel RealSense L515 传感器。
• 结果： 在真实环境中，ScanDP 实现了 95% ± 2.0% 的覆盖率，而基线方法 (DP3) 仅为 33% ± 10.0%。
• 结论： ScanDP 能够整合时间序列观测，即使在目标暂时被遮挡或传感器出现瞬态伪影时，也能继续选择有效的视点，表现出极高的稳定性。

---

5. 意义与总结 (Significance)

• 范式转变： 该工作展示了将扩散模型与占据栅格地图结合在机器人扫描任务中的巨大潜力，证明了其比传统的点云处理方法更适合处理噪声和不确定性。
• 实用价值： 解决了自动化 3D 扫描中“泛化难”和“数据需求大”的瓶颈，使得在资源受限或面对未知物体时进行高质量扫描成为可能。
• 安全性提升： 引入的路径优化机制解决了模仿学习中常见的冗余和碰撞问题，使其更适用于真实的物理机器人部署。

局限性：
目前方法在提取大范围空间特征时，若保持网格大小不变，计算量可能较大；此外，由于训练数据基于人类运动，直接迁移到机器人运动学时需要域适应（Domain Adaptation）。

未来方向：
扩展到大尺度环境扫描以及多物体同时扫描任务。