Surfel

• Também chamado: surface element
• Categoria: Sensing › 3D maps & reconstruction
• Tags: mapping, slam, 3d-reconstruction, lidar, 3d-perception

Um elemento de superfície: um pequeno disco orientado com posição, normal e raio, muitas vezes com cor, confiança e marcas de tempo, usado para construir mapas 3D densos.

Definição

Surfel, abreviação de surface element (elemento de superfície), é um pequeno disco plano que aproxima um trecho de uma superfície. Cada surfel armazena pelo menos uma posição 3D, um vetor normal e um raio, e os sistemas de mapeamento costumam acrescentar campos como cor, um valor de confiança ou de estabilidade e os instantes em que foi criado e atualizado pela última vez. Os surfels foram introduzidos em 2000 por Pfister e colegas como primitiva de renderização em computação gráfica e, mais tarde, foram adotados para reconstrução 3D densa e SLAM com câmeras de profundidade e LiDAR.

Um mapa de surfels fica entre uma nuvem de pontos bruta e uma malha ou um mapa volumétrico. Ao contrário de pontos simples, os surfels têm orientação e extensão, de modo que podem ser renderizados como uma superfície de aparência fechada e comparados com novas medições usando distâncias ponto a plano. Ao contrário de um campo de distância com sinal truncado sobre uma grade de voxels, eles não precisam de um volume fixo nem de uma resolução fixa e podem ser movidos individualmente. Essa última propriedade importa para o SLAM: quando um fechamento de loop corrige a trajetória, sistemas como o ElasticFusion deformam o mapa de surfels com um grafo de deformação em vez de reconstruir um volume.

Em um pipeline típico de SLAM com surfels, o mapa atual é renderizado a partir da pose estimada do sensor, muitas vezes na GPU, para produzir uma imagem do modelo com posições e normais. O novo quadro é alinhado a essa renderização, o que fornece uma associação de dados projetiva rápida para um registro no estilo do ICP. As medições que correspondem a um surfel existente o atualizam por média ponderada e aumentam sua confiança; medições sem correspondência criam novos surfels, e os surfels raramente confirmados são removidos. O SuMa e o SuMa++ aplicam esse esquema ao LiDAR rotativo, usando imagens de distância para a renderização, e o SuMa++ acrescenta rótulos semânticos a cada surfel para filtrar objetos em movimento.

Por que importa

Os surfels fornecem um mapa de superfície denso e editável que permite registro rápido e pode ser corrigido após um fechamento de loop sem ser reconstruído. São uma escolha comum em SLAM denso RGB-D e LiDAR, e discos orientados semelhantes aparecem em representações de cena mais recentes, neurais e baseadas em gaussianas.

Principais aplicações

• SLAM RGB-D denso e reconstrução 3D de ambientes internos
• SLAM LiDAR para direção e mapeamento ao ar livre
• Mapeamento semântico com rótulos de classe por surfel
• Renderização baseada em pontos de cenas escaneadas
• Deformação do mapa após um fechamento de loop

Na prática

Uma equipe que mapeia um quarteirão de uma cidade com um LiDAR rotativo em um carro usa um sistema de SLAM baseado em surfels. Para cada nova varredura, o sistema renderiza o mapa de surfels atual em uma imagem de distância na pose prevista, alinha a varredura a ela com ICP ponto a plano e depois funde os pontos com correspondência nos surfels existentes, ao mesmo tempo que adiciona novos surfels para as áreas sem correspondência. Os engenheiros ajustam o limiar de estabilidade que decide quando um surfel é confiável e as regras para remover surfels que deixam de ser observados, já que, caso contrário, carros estacionados que vão embora permaneceriam no mapa. Rótulos semânticos de uma rede de segmentação são atribuídos a cada surfel para que pontos em veículos em movimento possam ser excluídos do registro.

Equívocos comuns

• Um surfel é apenas um ponto — ele também tem uma normal e um raio, que o tornam um pequeno disco orientado em vez de uma amostra sem extensão
• Mapas de surfels são malhas — os surfels não são conectados, sem topologia explícita entre vizinhos
• Os surfels precisam de uma grade de voxels fixa — eles existem em espaço contínuo, o que é uma de suas vantagens sobre os mapas volumétricos
• Todo ponto observado vira um surfel permanente — a fusão combina observações repetidas e remove os surfels que não são confirmados

Quem deve saber

• Engenheiros de SLAM e de mapeamento 3D
• Desenvolvedores de percepção com LiDAR e RGB-D
• Engenheiros de computação gráfica e de renderização
• Equipes de mapeamento para direção autônoma

Tecnologias relacionadas

• ElasticFusion
• SuMa
• Fusão TSDF (TSDF Fusion)
• Renderização baseada em pontos (Point-Based Rendering)
• 2D Gaussian Splatting

Termos relacionados

• Point Cloud
• SLAM
• Iterative Closest Point
• Range Image
• Signed Distance Field
• 3D Gaussian Splatting

Projetos relacionados

• LingBot-Map: Streaming 3D reconstruction from one camera: pose and depth for every frame, live
• oomwoo: Open-source DIY robot vacuum: 3D-printed, ROS2 + 2D LiDAR, fully local.
• Cartographer: Google's real-time 2D and 3D SLAM system for multi-platform robotics
• OpenDroneMap: Open-source photogrammetry toolkit that turns drone images into maps and 3D models
• FAST-LIVO2: Fast, direct LiDAR-inertial-visual odometry from HKU-MARS, published in IEEE T-RO
• DimOS: Python robotics runtime with agents, SLAM and teleop, no ROS required