VDB-GPDF: Online Gaussian Process Distance Field with VDB Structure

本文介绍了一种在线高效的映射框架，它将高斯过程距离场和快速访问VDB数据结构无缝耦合。该框架逐步构建欧几里得距离场，并将其他表面属性（如强度或颜色）融合到全局场景表示中，以适应大规模场景。关键的一点是一个潜在的局部高斯过程有符号距离场（L-GPDF），它包含在本地VDB结构中，允许快速查询视野中任意点的欧几里得距离、表面属性及其不确定性。然后通过将这些点的推断值合并到全局VDB结构中进行概率融合，该结构可以高效地维护。融合后，恢复表面网格，并生成一个全局高斯过程有符号距离场（G-GPDF），可用于下游应用程序查询准确的距离和梯度。与最先进的框架相比，本文所提出的方法在推断距离场的效率和准确性上表现更优，重建性能相当。附带的代码将公开发布。https://github.com/UTS-RI/VDB_GPDF

本文旨在提出一种能够高效地构建大规模场景的地图表示方法，同时能够处理多种表面属性，如颜色、强度等，并且提供准确的距离和梯度信息。

本文提出了一种将高效访问的VDB数据结构与概率连续的高斯过程距离场相结合的在线地图构建框架。该框架使用本地的L-GPDF来快速查询欧几里得距离、表面属性和不确定性，并通过融合这些点的推断值来执行概率融合。在融合后，恢复表面网格，生成全局的G-GPDF，并提供准确的距离和梯度信息。

本文的亮点在于提出了一种高效且准确的地图表示方法，能够处理大规模场景和多种表面属性，并且提供准确的距离和梯度信息。实验结果表明，该方法比当前的最新方法具有更高的效率和准确性。此外，本文提供了开源代码。

最近的相关研究包括使用TSDF和Octree数据结构的方法，以及基于高斯过程距离场的其他表示方法。