作者:研夢非凡人工智能
原文鏈接鏈接:https://zhuanlan.zhihu.com/p/2031071527085528949
arXiv 預印本鏈接:https://arxiv.org/abs/2603.XXXXX (注:2026年ICRA錄用論文的 arXiv 編號,通常在作者推特或項目主頁首發直達)
GitHub 代碼倉庫:https://github.com/field-robotics/extreme-sparse-depth-completion (該團隊已宣布開源,包含野外環境測試數據集與預訓練權重)
項目主頁 (Project Page):https://field-robotics.github.io/sparse-depth-icra2026/ (內含高幀率的算法真機運行 Demo 視頻)
Depth Completion in Unseen Field Robotics Environments Using Extremely Sparse Depth Measurements (ICRA 2026)
【亮點速覽】
攻克野外“盲區”:在深海、冰川、農業等低紋理、缺乏尺度信息的野外無結構環境中,純視覺單目深度估計往往失效。本文提出了一種全新的深度補全(Depth Completion)模型,僅利用極度稀疏的深度測量點(如低成本雷達,每幀僅10個點級別),就能預測出高精度的密集度量深度。
極低延遲部署:算法在Nvidia Jetson AGX Orin 邊緣計算平臺上實現了每幀53ms的端到端延遲,完全滿足野外移動機器人的實時機載計算需求。
【創新點】
第四通道融合架構:基于SOTA的單目深度估計模型 Depth Anything V2 (DAV2),創新性地修改了編碼器層,引入了表示稀疏深度測量的“第四輸入通道”。該架構既保留了原模型強大的泛化能力,又成功注入了絕對尺度信息。
針對野外場景的合成數據管線:針對真實野外深度數據集匱乏的問題,利用無人機圖像結合運動恢復結構(SfM)生成帶有紋理的3D網格,再通過Blender渲染多視角圖像和深度真值,生成了專門針對野外環境的高質量合成訓練集,極大降低了數據采集成本。
【成果】
![]()
圖1:野外真實環境下的極稀疏深度補全表現。
(a)工業廠房、農田、冰川、壓載艙和水下峽灣等五個未見過的復雜野外場景輸入,圖中的藍色方塊代表每幀極少數的稀疏深度測量值(如由低成本雷達或特征點追蹤獲取);(b)模型僅利用這些極稀疏提示作為引導,即可在缺乏絕對尺度和低紋理的惡劣條件下,成功預測并輸出高精度的密集度量深度圖。
雷峰網
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.