RaSim: A Range-aware High-fidelity RGB-D Data Simulation Pipeline for Real-world Applications

在机器人视觉领域，一种事实上的范式是在模拟环境中进行学习，然后将其转移到实际应用中，这在弥合模拟到实际领域差距方面带来了重要挑战。虽然主流工作在RGB领域解决了这个问题，但我们专注于深度数据合成并开发了一种范围感知RGB-D数据模拟管道（RaSim）。特别地，通过模仿真实传感器的成像原理生成高保真深度数据。进一步引入了范围感知渲染策略以丰富数据多样性。广泛的实验表明，使用RaSim训练的模型可以直接应用于实际场景，无需进行任何微调，并在下游RGB-D感知任务中表现出色。

本论文旨在解决模拟环境和实际应用之间的差距问题，提出了一种基于深度数据合成的模拟管道，可以生成高保真度的深度数据，且可以直接应用于实际场景中。

论文提出了一种基于深度数据合成的模拟管道（RaSim），通过模拟真实传感器的成像原理生成高保真度的深度数据，并引入了一种基于距离感知的渲染策略来增加数据多样性。在实验中证明，使用RaSim训练的模型可以直接应用于实际场景中，且在下游RGB-D感知任务中表现出色。

论文的实验结果表明，RaSim可以生成高质量的深度数据，且训练出的模型可以直接应用于实际场景中，且表现优异。此外，论文还开源了RaSim的代码，提供了一个新的思路来解决模拟环境和实际应用之间的差距问题。

最近的相关研究包括基于RGB的模拟管道和其他基于深度数据合成的方法。例如，论文中引用了一些相关研究，如《Unsupervised Depth Completion from Visual Inertial Odometry》和《Robust RGB-D Odometry using Point and Line Features》等。