技术摘要：DisFlow —— 基于距离场的场景流

问题陈述

估计动态物体的位姿与运动是机器人感知中的一个基本挑战，对于抓取、操作和导航等任务至关重要。虽然经典的同步定位与地图构建（SLAM）及重建方法在静态环境中表现出色，但在处理动态物体时却面临困难，因为难以从部分且带有噪声的观测中同时对物体运动和表面几何进行推理。

现有方法面临特定的局限性：

• 仅追踪方法（例如基于光流或基于学习的流水线）通常提供位姿和速度估计，但无法维持稠密且具有时间一致性的表面重建，从而限制了其在接触推理中的应用价值。
• 仅重建方法（例如 TSDF 融合）构建显式表面，但通常是为静态场景设计的。它们往往缺乏概率表示和不确定性估计，而这对于安全性与规划至关重要。
• 基于学习的方法依赖于大规模训练数据和特定的物体类别，限制了其对未知物体的泛化能力。

目前存在一个需求缺口，即需要一种能够同时实现实时 6DoF 位姿追踪、速度估计以及带有不确定性量化的稠密表面重建的框架，特别是针对动态物体。

方法论：DisFlow 框架

DisFlow 通过直接从距离场中估计场景流来填补这一空白，从而实现在线 6DoF 位姿和速度估计以及概率表面重建。该框架在一个以物体为中心的参考坐标系中运行，确保了时间上的几何一致性。

1. 隐式表面表示 (GPIS)

物体几何使用高斯过程隐式表面 (GPIS) 进行表示。与离散的体素网格（如 TSDF）不同，GPIS 提供了一个连续、可微且具有概率性的模型。

• 约束： 该模型使用表面点（零水平集）和表面法线（梯度约束）进行训练。
• 预测： 对于任何查询点，GPIS 都会预测其符号距离及其梯度，并附带方差（不确定性）估计。
• 可扩展性： 为了实现实时运行，使用八叉树对 3D 域进行划分。每个节点维护一个基于附近样本的局部 GP，允许随着新帧到达进行高效的增量更新。

2. 场景流公式 (DisFlow)

核心创新在于计算 DisFlow，它描述了当物体移动时表面点随时间是如何传输的。

• 传输方程： 该方法利用传输方程 $\frac{\partial d(x, t)}{\partial t} + v(x, t)\nabla d(x, t) = 0$，其中 $d$ 是符号距离函数，$v$ 是场景流。
• 机制： 通过在高帧率下查询 GPIS 表示的距离和梯度，系统可以推导出连续的流场。这种流建立了连续观测之间隐式的点对点对应关系，而无需显式的特征匹配。

3. 位姿与速度估计

位姿估计被建模为一个优化问题，旨在将观测到的点云（转换到物体坐标系后）与隐式表面进行对齐。

• 目标： 最小化平方符号距离之和（$E = \sum d(x_j)^2$）。
• 优化： 问题在当前位姿估计周围进行线性化，以便以闭式解求解位移增量 $\xi$（平移与旋转）。梯度 $\nabla d(x)$ 作为对应方向。
• 正则化： 为了增强对噪声和部分观测的鲁棒性，引入了时间正则化项，通过惩罚与预测速度的偏差来强制执行帧间平滑性。

4. 以物体为中心的融合

与传统的在相机或世界坐标系中进行融合的方法（需要复杂的动态点移除）不同，DisFlow 直接将观测结果融合到物体坐标系中。

• 过程： 一旦估计出位姿 $T^k_{oc}$，新点会被转换到物体坐标系中，并添加到相应的八叉树簇中。
• 优势： 在物体坐标系中，表面本质上是静态的。这简化了流水线，消除了对动态点过滤的需求，并确保即使在快速运动期间，几何结构也能保持时间一致性。

核心贡献

1. DisFlow 框架： 一种新型系统，利用瞬时距离场恢复场景流，从而实现实时 6DoF 位姿和线速度/角速度估计，并结合概率表面重建。
2. 以物体为中心的策略： 一种通过在物体坐标系中维护地图来自然处理动态物体的方案，确保了几何一致性并简化了融合过程。
3. 统一输出： 系统同时提供实时位姿轨迹、物体速度、稠密表面重建和不确定性估计，性能优于仅专注于追踪或重建的基准方法。

实验结果

该框架在 Fast-YCB 数据集 以及涉及旋转人体和飞行物体的真实场景序列上进行了评估。

定量评估

• 位姿追踪： DisFlow 在 Fast-YCB 数据集上显著优于基准方法（DOPE, PoseRBPF, TrackNet, ROFT）。
  • 对于 003 号饼干盒，它实现了 92.44% 的 ADD-AUC（对比 ROFT 的 78.50%）以及 0.790 cm 的平移 RMSE。
  • 对于具有挑战性的 006 号芥末瓶（光滑且对称），它实现了 94.83% 的 ADD-AUC 和 0.498 cm 的平移 RMSE，展示了在弱几何约束下的鲁棒性。
• 速度追踪： 与唯一提供速度估计的基准方法 ROFT 直接对比，DisFlow 将线速度 RMSE 降低了一半以上（例如，对于饼干盒，从 5.237 cm/s 降至 2.311 cm/s），并显著提高了角速度精度。
• 表面重建： 使用 Chamfer 距离和 Hausdorff 距离指标，DisFlow 生成的网格比基于 TSDF 的融合更精确。
  • Chamfer 距离从 0.0059 (TSDF) 提升至 0.0045。
  • 在精细阈值（1mm 和 2mm）下的 F-score 显著提高，且法线一致性也得到了改善。

定性评估

• 一致性： 在涉及 360° 人体旋转和快速“飞行的甜甜圈”运动的序列中，重建的物体在物体坐标系中保持为一个无缝、固定的点云，在回到起始状态时没有出现可见的漂移或错位。
• 不确定性可视化： GPIS 的概率特性允许在网格上可视化不确定性，突出了观测受限的区域，这对于主动感知具有重要价值。

意义与局限性

论文声称 DisFlow 弥合了追踪导向方法与重建导向方法之间的鸿沟。其意义在于提供了一个统一的概率框架，能够同时提供稠密几何、运动估计和不确定性。这对于需要安全交互（如抓取规划和碰撞检测）的下游机器人任务特别有价值。

局限性：
作者指出，该方法依赖于几何约束。对于接近平面、结构极少或具有高度对称性（如罐头或瓶子）的物体，约束可能较弱，从而可能导致歧义的优化解。目前的工作侧重于纯几何方案，将 RGB 图像特征的集成作为未来的研究方向。