Di-NeRF: Distributed NeRF for Collaborative Learning with Unknown Relative Poses

合作地图制作比单个机器人更快且更可靠。然而，合作方法需要分布式范式来实现可扩展性并解决通信问题。本研究提出了一种完全分布式算法，使一组机器人能够集体优化神经辐射场（NeRF）的参数。该算法涉及每个机器人的训练NeRF参数在网格网络上的通信，每个机器人训练其NeRF并仅访问其自己的视觉数据。此外，所有机器人的相对姿态与模型参数一起进行联合优化，从而实现具有未知相对相机姿态的映射。我们展示了多机器人系统可以从多个NeRFs优化的可微和鲁棒的3D重建中受益。在真实世界和合成数据上的实验证明了所提出算法的效率。请访问该项目的网站以获取实验视频和补充材料（https://sites.google.com/view/di-nerf/home）。

多机器人协作地图制图需要解决分布式优化和通信问题。本论文提出了一种完全分布式的算法，使一组机器人能够共同优化神经辐射场（NeRF）的参数。

本文的关键思路是通过在网格网络上通信每个机器人训练的NeRF参数，实现对机器人相对姿态和模型参数的联合优化，从而实现多机器人协作地图制图。

本文通过实验展示了多个NeRF的可微分和鲁棒的3D重建优化，证明了多机器人系统可以从多个NeRF中受益。实验使用了真实世界和合成数据，并提供了视频和补充材料。本文的算法具有高效性和可扩展性，适用于多机器人协作地图制图。

最近的相关研究包括多机器人协作地图制图、神经辐射场和分布式优化。相关论文有：“Distributed Mapping with Privacy Preservation”、“NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis”等。