MULAN-WC: Multi-Robot Localization Uncertainty-aware Active NeRF with Wireless Coordination

本文介绍了一种新的多机器人三维重建框架MULAN-WC，该框架利用机器人之间基于无线信号的协调和神经辐射场（NeRF）。我们的方法解决了多机器人三维重建中的关键挑战，包括机器人之间姿态估计、定位不确定性量化和主动最佳下一视角选择。我们介绍了一种利用无线到达角（AoA）和测距测量来估计机器人之间相对姿态的方法，并将嵌入在这些姿态估计的无线定位中的不确定性量化并纳入到NeRF训练损失中，以减轻不准确相机姿态的影响。此外，我们提出了一种主动视角选择方法，考虑机器人姿态不确定性，以确定下一个最佳视角，从而通过智能视角选择实现更快的收敛。在合成和真实数据集上的大量实验证明了我们的框架在理论和实践中的有效性。利用无线协调和定位不确定性感知训练，MULAN-WC可以实现高质量的三维重建，接近于应用真实的相机姿态。此外，从新视角获取信息增益的量化使得通过推荐机器人新视角位置，逐步捕获图像并实现一致的渲染质量改进。我们的硬件实验展示了将MULAN-WC部署到实际机器人系统的实用性。

该论文旨在解决多机器人三维重建中的关键问题，包括机器人之间的姿态估计、定位不确定性量化和最佳下一视图的选择。

该论文提出了一种新的多机器人三维重建框架MULAN-WC，利用无线信号协调和神经辐射场（NeRF）技术。该框架使用无线角度到达（AoA）和测距测量来估计机器人之间的相对姿态，并将定位不确定性嵌入到NeRF训练中，以减轻姿态不准确性的影响。此外，该论文提出了一种主动视图选择方法，考虑机器人姿态不确定性，从而能够通过智能视图选择实现更快的收敛。

该论文在合成和实际数据集上进行了广泛实验，证明了该框架在理论和实践上的有效性。该框架能够实现高质量的三维重建，并且能够实现与应用真实相机姿态相近的效果。此外，该论文提出的新视图信息增益量化方法可以通过推荐机器人到新的视图位置，实现一致的渲染质量提高。硬件实验展示了该框架在实际机器人系统中的实用性。

在这个领域中，最近还有一些相关的研究，例如《Distributed Multi-Robot Cooperative 3D Mapping without Global Pose Information》和《Multi-Robot Cooperative 3D Mapping with Wireless Communication》。