基于因子图推理的可微网格状态估计用于可变形物体重建
Differentiable Mesh State Estimation via Factor Graph Inference for Deformable Object Reconstruction
- University of Tennessee（田纳西大学）
- Vanderbilt University（范德比尔特大学）
- Vanderbilt University Medical Center（范德比尔特大学医学中心）
- University of Utah（犹他大学）
- NVIDIA（英伟达）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
提出基于因子图的概率框架，结合物理先验与传感器数据，通过非线性优化直接更新四面体网格，实现可变形物体的可靠状态估计与重建。
AI中文摘要：
估计可变形物体的状态仍然是机器人和仿真领域的基本挑战。我们提出了一种新颖的基于因子图的框架，用于可变形物体的概率网格状态估计。该方法通过将物理先验、噪声传感器测量和时间平滑约束统一在一个概率公式中，直接更新四面体网格——一种丰富且物理基础的环境表示。估计问题被表述为非线性最小二乘优化，并使用Levenberg-Marquardt算法求解。离体中央气道阻塞实验和变形立方体模型的仿真表明，在刚体运动和变形下均能实现可靠且准确的重建，突显了这种概率方法在可变形物体重建中实现原理性、测量驱动的网格状态估计的潜力。
英文摘要：
Estimating deformable object states remains a fundamental challenge in robotics and simulation. We propose a novel factor graph-based framework for probabilistic mesh state estimation of deformable objects. The method directly updates a tetrahedral mesh, a rich and physically-grounded representation of an environment, by combining physics priors, noisy sensor measurements, and temporal smoothness constraints within a unified probabilistic formulation. The estimation problem is posed as a nonlinear least-squares optimization and solved using Levenberg-Marquardt. Ex vivo central-airway obstruction experiments and simulations on deforming cube models demonstrate reliable and accurate reconstruction under both rigid motion and deformation, highlighting the potential of this probabilistic approach for principled, measurement-driven mesh state estimation in deformable object reconstruction.
