19、主动场景识别中的最佳视角估计与视线处理

主动场景识别中的最佳视角估计与视线处理

在主动场景识别（ASR）中，为了实现高效的物体搜索，需要对相机视角进行优化，以找到最佳视角（Next-Best-View，NBV）。同时，还需要处理预测姿态云中的视线，以提高识别的准确性。

1. 奖励函数中效用与逆成本的聚合

在奖励函数 (r({o}, V)) 中，如果将效用和逆成本相乘，它们会相互抑制。乘法会使高奖励容易识别，但低奖励和平均奖励之间的界限会变得模糊。为了聚焦于这个界限，我们选择通过求和的方式来聚合效用和逆成本。

2. 最佳视角估计的优化算法

2.1 参数空间分析

估计最佳视角是一个非线性优化问题，其参数空间 (2^{ {o}_P} \times {V}) 具有高维度和无限大小的特点。这是因为它包含了 6 自由度的相机姿态空间，并且其大小相对于搜索对象的数量 (|{o}_P|) 呈指数增长。在不使用启发式方法的情况下，无法改变参数空间中与对象相关部分的维度，但可以通过动态规划等算法级别的方法来减少在幂集 (2^{ {o}_P}) 上评估目标函数的时间消耗。

相机姿态空间的情况有所不同。通过抽象机器人的运动链，可以从两个方面降低参数空间中与相机相关部分的维度。一方面，传感器头离地面的高度是恒定的，因此只需要优化相机在二维平面上的坐标 ((x, y))，即二维机器人位置。另一方面，传感器头只能在刚体可旋转的三个自由度中的两个 ((\rho, \tau)) 上进行旋转，因为移动传感器头的 PTU 只有两个旋转轴。经过这两次降维，4 自由度空间仍然是无限的，但只有与机器人位置相关的部分定义在无界域上，而相机方向 ((\rho, \