DA-NBV: 방향 인지 차세대 최적 시점 계획기로 해상 선박의 효율적인 3차원 재구성을 위한 방법

DA-NBV: A Direction-Aware Next-Best-View Planner for Efficient 3D Reconstruction of Ships at Sea

해상 선박의 정확한 3차원 재구성은 해양 감시, 손상 평가 및 자율 해양 운영에 중요합니다. 3차원 재구성 기술이 크게 발전했지만, 고품질 데이터 확보는 여전히 수동으로 설계된 경로나 숙련된 작업자에 의존하여 높은 비용과 제한적인 확장성을 초래합니다. 차세대 최적 시점(NBV) 계획은 현재 상태를 기반으로 후속 시점을 선택함으로써 이 프로세스를 자동화합니다. 그러나 기존의 NBV 정책은 주로 공간 점유율을 모델링하지만 방향 관찰 기록을 간과하는 경향이 있습니다. 이러한 제한 사항은 특히 선박에 문제가 됩니다. 복잡한 상부 구조와 심각한 자기 가림 현상으로 인해 여러 시점에서 관찰이 필요하며, 불충분한 방향 커버리지는 불완전한 재구성을 초래할 수 있습니다. 이러한 문제는 해상 환경에서 파동에 의한 요동, 기울기 및 피치 변동으로 인해 선박의 자세와 표면 가시성이 지속적으로 변화하면서 더욱 심화됩니다. 또한 풍력 영향과 제한된 온보드 전력은 스캔 효율성에 더 엄격한 요구 사항을 부과합니다. 이러한 문제를 해결하기 위해, 우리는 방향 정보를 고려하여 기존 점유율 상태에 방향 관찰 통계를 추가하는 방향 인지 NBV 정책인 DA-NBV를 제안합니다. 시점 선택을 안내하기 위해 방향 정보를 활용하는 학습 가능한 위치 이점 필드(PAF)를 도입했습니다. 또한, 스캔 효율성을 향상시키기 위해 로컬 제한된 동작 공간과 비선형 커버리지 형상 보상을 사용했습니다. 또한, 선박 중심의 SeaShip-3D 데이터셋과 구성 가능한 해상 상태 시뮬레이션 환경을 개발했습니다. 다양한 요동, 기울기 및 피치 조건에서 수행한 실험 결과, DA-NBV는 재구성 정확도를 약 3% 향상시키고 Chamfer 거리를 43% 감소시키는 동시에 더 높은 경로 효율성을 달성하는 것으로 나타났습니다.

Accurate 3D reconstruction of ships at sea is important for maritime supervision, damage assessment, and autonomous maritime operations. Although 3D reconstruction has advanced considerably, high-quality data acquisition still largely relies on manually designed trajectories or skilled operators, resulting in high costs and limited scalability. Next-best-view (NBV) planning automates this process by selecting subsequent viewpoints based on the current state. However, existing NBV policies mainly model spatial occupancy while overlooking directional observation history. This limitation is particularly problematic for ships: their complex superstructures and severe self-occlusions require observations from multiple viewpoints, and insufficient directional coverage often yields incomplete reconstructions. These challenges are further amplified at sea, where wave-induced heave, roll, and pitch continuously alter the ship's pose and surface visibility. Meanwhile, wind disturbances and limited onboard power impose stricter requirements on scanning efficiency. To address these challenges, we propose DA-NBV, a direction-aware NBV policy that augments the conventional occupancy state with directional observation statistics. We introduce a learnable Position Advantage Field (PAF) that uses directional information to guide viewpoint selection. The policy further adopts a locally constrained action space and a nonlinear coverage-shaping reward to improve scanning efficiency. We also develop the ship-oriented SeaShip-3D dataset and a configurable sea-state simulation environment. Experiments under varying heave, roll, and pitch conditions show that DA-NBV improves reconstruction completeness by approximately 3 percentage points and reduces Chamfer distance by 43% while achieving higher path efficiency.