《AUTOMATION IN CONSTRUCTION》：Efficient UAV trajectory optimization for fine-detailed 3D building reconstruction
编辑推荐：
3D建筑重建中无人机协同优化框架提出，通过旅行商问题生成初始路径，结合单位长度贡献准则优化视点，构建球体走廊约束，并利用非线性求解器生成满足动态与安全约束的飞行轨迹，实验表明可降低10%-40%飞行成本同时保持或提升重建质量。
沈天瑞|康来|魏英梅|万珊珊|王海轩|左超
国防科技大学系统工程学院，中国湖南长沙410073
摘要
在建筑工程中，使用无人机拍摄的图像进行高保真3D建筑重建目前非常流行且有效；然而，规划一条能够在最小飞行时间内实现最大重建质量的飞行轨迹仍然是一个关键挑战。本文提出了一种通用的协同优化框架，通过集成规划范式将重建目标与飞行动力学联系起来。所提出的方法首先通过解决候选视点的旅行商问题（Traveling Salesman Problem）来进行初始飞行规划，并根据单位长度贡献标准更新这些视图点。随后确定自适应半径，然后构建基于球体的走廊，以确保轨迹能够通过所有更新后的视图点，并满足相应的空间容忍度。接下来，利用非线性求解器制定并解决最优控制问题，以获得同时满足动态和安全约束的最终飞行轨迹。在三个公共场景和两个我们自己拍摄的真实场景中的实验比较表明，所提出的方法显著提高了飞行效率，飞行距离和飞行时间减少了大约10%到40%，同时重建质量保持可比或更优。
引言
精确的3D建筑重建是建筑工程中的关键技术，支持包括结构完整性评估、施工进度监控、组件精度验证和智慧城市数字化等关键应用[1]、[2]、[3]、[4]、[5]、[6]。基于无人机（UAV）拍摄的航拍图像生成大规模建筑场景的高质量3D模型已成为一种流行且有效的技术[7]、[8]、[9]、[10]、[11]、[12]。实际上，图像采集策略直接影响重建3D模型的最终质量和飞行的操作效率（例如，飞行时间、能耗等）[13]。作为一种广泛使用的方法，倾斜摄影[14]简单地采用规则网格路径（见图1(a)的2D示意图）进行图像采集，因此经常存在显著的视图点冗余问题。最近的方法尝试通过基于启发式或学习的方法[15]、[16]、[17]、[18]来选择有信息量的视图点。虽然现有方法可以识别出一组有利于3D重建的视图点，但无人机遍历这些视图点的常见策略是通过解决旅行商问题（TSP）来规划一条折线路径。如图1(b)所示，这样的路径对无人机来说在运动学上效率低下，违反了其动态约束，导致频繁的加速、减速和急转弯，从而大幅增加了飞行时间和能耗。如图1(c)所示，本文通过一个协同优化框架来解决这一挑战，其中的核心问题是通过轨迹优化调整视图点的位置和方向，以生成一条在保持高保真3D重建的同时成本最低的飞行友好型轨迹。
关于无人机轨迹规划的最新研究在解决飞行动力学和操作效率方面取得了显著进展。传统方法，如最小抖动/急动公式[19]，通过多项式优化来优化轨迹平滑度，从而在遵守执行器约束的同时实现敏捷机动。后续的工作[20]、[21]、[22]、[23]、[24]利用四旋翼飞行器的差分平坦性来通过连续多项式表示提高计算效率。基于采样的规划器[25]、[26]、[27]、[28]、[29]通过概率保证扩展了解空间，尽管在高维状态空间中的可扩展性较差[30]。同时，基于优化的方法[22]、[30]、[31]结合了完整的四旋翼动力学，在精确的执行器约束下生成时间最优的轨迹。这些方法可以生成一条穿过固定点的飞行路径并符合动力学要求；然而，它们的优化目标侧重于以飞行为中心的指标（例如，时间最小化、能源效率），而不是特定任务，如最大化3D重建的保真度。这种分歧促使本文尝试同时优化摄影测量约束和飞行动力学，特别是针对高保真3D建筑重建进行定制。
3D重建的视图点选择和路径规划已经得到了广泛研究。现有方法大多采用从粗到细的策略来实现高保真重建[15]、[16]、[17]、[32]、[33]、[34]。这些方法首先使用初始飞行阶段的稀疏图像或卫星数据构建一个目标结构的简化几何表示（即粗略代理）。规划过程大致遵循两种范式：先视图点后路径优化和联合视图点-路径优化。在先视图点优化中，先确定相机位置和方向，然后再进行路径规划。这类方法将任务表述为一个收集奖励的定向问题[32]，通过几何启发式[15]、[33]、[35]或迭代剪枝[16]、[34]、[36]来识别视图点，随后通过解决旅行商问题生成路径。尽管这种方法在最大化每个视图点的重建质量方面有效，但严格遵循预先计算的视图点往往会导致轨迹延长且不平滑，飞行时间延长。一种采用视图点-路径优化的著名策略是Next-Best-View（NBV）规划，它根据增量场景信息动态确定最佳观测位置并更新飞行路径[37]、[38]、[39]、[40]、[41]。尽管通过反应式决策提高了实时适应性，但NBV方法容易陷入局部最优解，并且在大型建筑环境中计算效率低下。其他方法通过预定义的轨迹模式绕过顺序规划[42]或扩展快速探索随机树的连续优化框架[17]。然而，这些方法存在两个关键问题：一是对视图点贡献的均匀加权，不考虑它们对重建质量的几何显著性，可能导致摄影测量覆盖不足；二是在轨迹生成过程中对无人机运动学约束的整合不足，可能会生成运动学上不可行的轨迹或违反安全约束。这揭示了基于无人机的重建中的一个优化悖论，即严格遵循视图点会降低飞行效率，而不受约束的轨迹优化会降低几何保真度。需要一个通用框架，既能通过空间容忍度适应视图点的灵活性，又能通过受限轨迹生成保证运动学的可行性，以调和这些相互竞争的目标。
另一种相关方法利用无人机飞行规划进行检测和覆盖任务[43]、[44]、[45]、[46]。这些方法根据已知的目标信息分布生成轨迹，确保对结构的彻底探索。当事先有精确的3D模型或密集的信息场时，这种策略非常有效，如使用势场进行3D检测[43]和利用基于样本的核函数进行泛化遍历优化[44]所示。其他最近的工作也利用先验模型进行规划，例如将BIM与3D重建集成以规划细化路径[45]，以及通过法向量过滤和综合评估选择检测视图点[46]。值得注意的是，这些方法主要是为了最大化表面或体积覆盖，而不是为了获得高质量的3D重建。特别是，3D重建的视图点选择必须遵循多视图立体原则，以确保足够的视差和稳定的三角测量，而这在覆盖最大化任务中通常被忽略。这两种方法的适用性将在后续的比较实验中详细研究。
本文提出了一种协同优化框架，它弥合了重建质量目标与无人机运动学约束之间的关键差距，从而能够从粗略代理生成飞行轨迹，以获取完整和精确的3D建筑重建模型。与那些要么遵循预定义视图点，要么以牺牲重建保真度为代价优先考虑飞行效率的方法不同，所提出的框架建立了一个连贯的流程，将离散的重建驱动规划转化为连续、可执行的任务，同时保持重建质量的保证。为此，首先使用标准方法处理初始视图点，通过解决TSP获得一条粗略路径。然后使用单位长度贡献标准动态更新这条路径，以优化每个飞行距离的单位几何信息增益。接着，通过为视图点分配自适应半径来建立空间导航走廊，这些半径根据它们的重建能力贡献进行缩放。通过解决受限的最优控制问题，生成一条在基于球体的走廊内遵守动力学限制和安全约束的运动学上可行、时间最优的轨迹。这种集成策略通过优化的航拍轨迹实现了高保真3D重建。本文的主要贡献可以总结如下：
- •
一种通过集成规划范式将重建目标与飞行动力学联系起来的通用协同优化框架，将离散的视图点规划转化为连续可执行的任务。
- •
一种基于重建能力的路径规划方法，结合了单位长度贡献标准和自适应半径球体走廊，共同最大化信息获取效率并提供空间灵活的导航约束。
- •
一种后端轨迹优化策略，通过解决最优控制问题来最小化飞行成本，遵守动态约束，并确保在导航走廊内的安全飞行。
- •
与现有最先进方法相比，所提出的方法在建筑场景中实现了10%到40%的飞行距离和飞行时间减少，同时重建质量相当或甚至有所提高。
这些贡献解决了重建驱动轨迹规划中的一个关键挑战。第一阶段优化路径以提高信息效率，第二阶段将其转化为空间灵活的约束，第三阶段生成运动学上可行且时间最优的轨迹。它们共同实现了重建质量和飞行效率的原理性协同优化，有助于将一组离散的视图点转化为连续、可执行的飞行任务。
本文的其余部分组织如下。第2节详细介绍了所提出的方法。第3节展示了实验配置和结果，第4节进行了讨论。最后，第5节总结了本文。
方法论
本文提出了一种协同优化框架，它弥合了重建质量目标与无人机运动学约束之间的关键差距。该框架使用先前方法[15]、[17]、[18]、[28]生成的初始视图点配置进行比较分析，并通过以下顺序阶段进行操作：第一步是通过解决TSP来规划初始飞行路径，然后使用单位长度贡献标准进行优化
实验
本节介绍了实验设置和结果，以验证所提出的轨迹优化框架。首先描述了数据集和实际研究区域。然后提供了实现细节，包括重建流程和安全机制。接下来介绍了轨迹性能和重建质量的评估指标。最后，报告了与最先进基线的定量和定性比较。
讨论
本节讨论了实验发现，并对所提出的方法进行了进一步分析。首先研究了不同初始视图点对不同建筑场景重建质量的影响。然后，通过消融研究分析了单位长度贡献标准及其超参数的作用。随后总结了框架的优势和局限性，以及潜在的扩展方向。最后，进行了比较分析
结论
本文提出了一种用于3D建筑重建的无人机轨迹规划协同优化框架。其核心贡献在于通过结合信息优化、空间约束制定和任务约束轨迹生成的方法，解决了重建质量与飞行效率之间的根本矛盾。单位长度贡献标准作为一个任务感知的前端优化器，更新初始路径以最大化
CRediT作者贡献声明
沈天瑞：撰写——原始草案、可视化、验证、软件、方法论。康来：撰写——审阅与编辑、监督、资源管理、项目管理、资金获取、概念化。魏英梅：监督、项目管理。万珊珊：数据管理。王海轩：调查。左超：调查。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
