不确定性感知的 RL 控制自适应三维建图

arXiv:2610.00188v1 公告类型：新 摘要：基于体素的体积建图是三维重建的基础，但固定分辨率网格在本质上仍然效率低下——在均匀区域浪费内存，在复杂区域丢失细节。现有的自适应方法（如 MAP-ADAPT）通过根据几何结构和用户定义的语义类别列表改变分辨率，在一定程度上解决了这一问题，但这些启发式方法需要专家调参，难以泛化到未见过的物体，也没有提供显式的内存使用控制机制。我们提出了一种自适应框架，根据能够捕捉标签不确定性的语义熵，以及作为场景复杂度线索的几何曲率和纹理丰富度来细化体素，从而无需依赖语义分类体系即可实现有原则的分辨率分配。为使精度与内存之间的权衡更加明确且可由用户控制，我们进一步引入了一个强化学习智能体，使其能够在用户指定的目标内存预算下学习体素细分策略，以单一且直观的控制参数取代人工调节的阈值。在合成数据集和真实世界数据集上，与 MAP-ADAPT 和固定分辨率基线相比，最终得到的多分辨率 TSDF 实现了更高的几何精度、更好的语义一致性，以及更优的内存-精度权衡。我们的代码和模型已发布于 https://github.com/alpayozkan/UnRL。