Signed Distance Field
- 又稱: SDF, signed distance function, Euclidean signed distance field, ESDF
- 類別: Planning & manipulation › Motion planning
- 標籤: geometry, collision-avoidance, mapping, motion-planning, 3d-representation
一個函數或格網,為空間中的每一個點儲存它到最近表面的距離,並以正負號表示該點位於物體內部或外部。
定義
有號距離場(Signed distance fields,SDF)為空間中的每一個點指定它到物體或場景最近表面的距離。正負號帶有額外的資訊:依照常見的慣例,物體外部的點為正值,內部的點為負值,而表面本身則是零等值集。這讓幾何變成一個可以查詢、微分與組合的純量場。
有號距離場的梯度指向遠離最近表面的方向,而且在場可微分之處,其大小為一。這項性質讓 SDF 在運動規劃與最佳化中很有用:規劃器既能讀出機器人身上某一點離障礙物有多近,也能讀出朝哪個方向移動能讓它遠離。CHOMP 等軌跡最佳化器正是這樣使用距離場,把與障礙物的間距轉換成平滑的成本。
SDF 有幾種儲存形式。體素格網為每個格子保存一個值,常用於建圖;截斷有號距離場(TSDF)只保留表面附近的值,由 KinectFusion 推廣用於稠密 3D 重建,而 Voxblox 等框架則從逐步建立的 TSDF 地圖產生供規劃使用的完整歐氏距離場。解析式 SDF 以封閉形式描述球體、方塊與膠囊體等基本形體。神經 SDF 以一個把座標對應到距離的網路來表示這個場,為複雜形狀提供精簡、連續的描述。
這個概念也能延伸到實體空間之外。距離場可以定義在機器人的關節空間上,描述一個組態離碰撞有多遠,而不是一個點離表面有多遠。這樣的場把工作範圍的幾何與機器人實際要解的規劃問題連結起來。
為何重要
單純的碰撞檢查只回答是或否,而有號距離場還能說明距離多遠、在哪個方向。這些額外資訊讓規劃器與控制器能保持安全餘裕、計算平滑的避讓成本,並在障礙物周圍使用以梯度為基礎的最佳化。
主要應用
- 軌跡最佳化中的碰撞成本與約束
- 以深度感測器進行稠密 3D 重建與建圖
- 為抓取規劃與接觸推理表示物體形狀
- 反應式控制器中的安全餘裕與以距離為基礎的約束
- 場景與物體的精簡神經表示
實際應用
一個移動操作機器人團隊,可能會把深度攝影機的各個影格融合成工作範圍的 TSDF 地圖,再轉換成歐氏距離場,並用一組球體來近似機器人的各個連桿。在軌跡最佳化期間,會在場中查詢每個球心;距離減去球的半徑就是間距,而場的梯度會把軌跡推離障礙物。體素解析度的選擇,是在記憶體、更新速度,以及細小物體能被捕捉得多精細之間的取捨。
常見誤解
- SDF 與佔據格網相同 — 佔據格網儲存的是格子是否被佔據,而 SDF 儲存的是到最近表面的距離,並支援梯度
- 截斷 SDF 在任何地方都能給出距離 — TSDF 只在表面附近才有意義的值,因此規劃通常需要完整的歐氏距離場
- SDF 的梯度一定有定義 — 在與兩個表面等距的點上,梯度沒有定義,這可能讓最佳化器發生振盪
誰需要了解
- 使用軌跡最佳化的運動規劃工程師
- 從深度資料建立 3D 地圖的感知工程師
- 使用幾何神經隱式表示的研究人員
相關技術
- 佔據格網(Occupancy Grid)
- 截斷有號距離場(Truncated Signed Distance Field,TSDF)
- CHOMP
- Voxblox
- 神經隱式表示(Neural Implicit Representations)
- 碰撞檢查(Collision Checking)
相關術語
相關專案
- LingBot-Map: Streaming 3D reconstruction from one camera: pose and depth for every frame, live
- 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
- RTAB-Map: Versatile graph-based SLAM supporting RGB-D, stereo, and LiDAR with real-time operation
- LeGO-LOAM: Classic lightweight, ground-optimized lidar odometry and mapping baseline (IROS 2018)
- OMPL: Sampling-based motion planning library powering MoveIt and countless robotics applications
影片
- introduction to Signed Distance Fields: chris biscardi