Take Your Best Shot: Sampling-Based Next-Best-View Planning for Autonomous Photography & Inspection

配备高品质摄像头的自主移动机器人（AMRs）通过提供高效且具有成本效益的调查方式，彻底改变了检查领域。自主检查的使用正在各种环境中越来越普遍，但在自主获取最佳检查信息方面仍然具有挑战性。在物体可能阻挡机器人视线的情况下，需要使用推理来确定收集数据的最佳点。虽然研究人员已经探索了基于云的应用程序来存储检查数据，但这些应用程序在网络限制下可能无法最优地运行，并且解析这些数据集可能需要大量手动操作。相反，出现了对AMRs自主捕捉最具信息量的视图的需求。为了解决这个挑战，我们提出了一种自主Next-Best-View（NBV）框架，该框架在操作过程中最大化检查信息，同时减少所需图片数量。该框架包括一个形式化的评估指标，使用射线跟踪和高斯过程插值来估计基于部分已知环境的当前理解的信息奖励。使用无导数优化（DFO）方法在环境中采样候选视图并确定NBV点。通过与现有方法的比较以及通过与各种车辆的模拟和实验进一步验证，证明了所提出方法的有效性。

解决问题：论文提出了一种自主Next-Best-View (NBV) 框架，旨在通过减少所需的照片数量，同时最大化检查信息来提高自主检查的效率。

关键思路：该框架使用射线跟踪和高斯过程插值来评估当前部分已知环境的信息奖励，并使用无导数优化方法来确定NBV点。

其他亮点：该方法通过与现有方法的比较以及使用不同车辆的模拟和实验进行了验证。

相关研究：与该论文相关的其他研究包括：“Learning to Explore Using Active Neural SLAM”、“A Survey of Autonomous Inspection of Civil Infrastructure”和“Autonomous Robotic Inspection in Harsh Industrial Environments: A Survey”等。