RP-VIO: Robust Plane-based Visual-Inertial Odometry for Dynamic Environments

來(lái)源：Ram K, Kharyal C, Harithas S S, et al. RP-VIO: Robust Plane-based Visual-Inertial Odometry for Dynamic Environments[J]. IROS 2021

單位：印度海得拉巴機(jī)器人研究中心；

代碼開源：https://github.com/karnikram/rp-vio

針對(duì)問(wèn)題：

面向動(dòng)態(tài)場(chǎng)景的魯棒視慣融合里程計(jì)

提出方法：

充分利用場(chǎng)景中的平面約束，在初始化、滑窗優(yōu)化中對(duì)自身位姿進(jìn)行優(yōu)化

達(dá)到效果：

相較于VINS-Mono、VINS-Mask，RP-VIO在論文自建數(shù)據(jù)集、VIODE、OpenLORIS-Scene、ADVIO數(shù)據(jù)集上實(shí)現(xiàn)了魯棒且準(zhǔn)確的定位效果。

Abstract

VINS系統(tǒng)在實(shí)際部署中面臨著一個(gè)關(guān)鍵的挑戰(zhàn)：它們需要在高度動(dòng)態(tài)的環(huán)境中可靠而魯棒地運(yùn)行。目前最好解決方案根據(jù)物體的語(yǔ)義類別將動(dòng)態(tài)物體作為外點(diǎn)剔除。這樣的方法無(wú)法擴(kuò)展，因?yàn)樗笳Z(yǔ)義分類器包含所有可能移動(dòng)的物體類別；這很難定義，更不用說(shuō)部署了。另一方面，許多實(shí)際環(huán)境以平面的形式表現(xiàn)出強(qiáng)烈的結(jié)構(gòu)規(guī)律性，如墻壁和地面。文章提出了RP-VIO，系統(tǒng)利用這些平面信息，在具有挑戰(zhàn)性的動(dòng)態(tài)環(huán)境中提升了系統(tǒng)魯棒性和準(zhǔn)確性。由于現(xiàn)有數(shù)據(jù)集的動(dòng)態(tài)元素?cái)?shù)量有限，文章還提出了一個(gè)高度動(dòng)態(tài)、逼真的仿真數(shù)據(jù)集，以便更有效地評(píng)估VINS系統(tǒng)的能力。文章在這個(gè)數(shù)據(jù)集和來(lái)自標(biāo)準(zhǔn)數(shù)據(jù)集的三個(gè)不同序列（包括兩個(gè)實(shí)際場(chǎng)景的動(dòng)態(tài)序列）上評(píng)估了文章的方法，相較于最先進(jìn)的單目視覺(jué)里程計(jì)，系統(tǒng)表現(xiàn)出在魯棒性和準(zhǔn)確性上得到顯著的改善。

Introduction

現(xiàn)有VIO系統(tǒng)具有一些局限性，首先除了需要精確同步和校準(zhǔn)的額外硬件外而且該系統(tǒng)還需要進(jìn)行足夠的旋轉(zhuǎn)和加速運(yùn)動(dòng)以保持重力和尺度的可觀察性。另一個(gè)重要的限制是他們?cè)谟卸鄠€(gè)獨(dú)立運(yùn)動(dòng)物體的動(dòng)態(tài)環(huán)境中的表現(xiàn)?；镜亩嘁暯菐缀渭s束只適用于靜態(tài)點(diǎn)，當(dāng)應(yīng)用于動(dòng)態(tài)點(diǎn)時(shí)就會(huì)導(dǎo)致錯(cuò)誤。這個(gè)問(wèn)題在單目VINS的初始化階段尤其重要，在這個(gè)階段，來(lái)自視覺(jué)SFM的姿態(tài)估計(jì)通常直接與IMU預(yù)積分結(jié)果測(cè)量一致，以初始化尺度和IMU參數(shù)。在這個(gè)階段，不正確的視覺(jué)姿態(tài)估計(jì)會(huì)導(dǎo)致完全的跟蹤失敗。

一個(gè)可行的方法是通過(guò)語(yǔ)義信息，直接識(shí)別場(chǎng)景中的靜態(tài)部分，以進(jìn)行特征跟蹤。我們注意到，平面是日常人造環(huán)境中最豐富的靜態(tài)區(qū)域。重要的是，平面還提供了一個(gè)簡(jiǎn)單的幾何形狀，可以進(jìn)一步利用它來(lái)改善估計(jì)?；谶@一觀點(diǎn)，文章提出了RP-VIO，一個(gè)為動(dòng)態(tài)環(huán)境定制的基于平面的單目視覺(jué)里程計(jì)。RP-VIO只使用場(chǎng)景中一個(gè)或多個(gè)平面的特征，由一個(gè)平面分割模型識(shí)別，并使用平面單應(yīng)性進(jìn)行運(yùn)動(dòng)估計(jì)。我們用我們提出的單應(yīng)性約束增強(qiáng)了最先進(jìn)的單目VIO系統(tǒng)，并在仿真以及實(shí)際場(chǎng)景數(shù)據(jù)集上顯著提高了性能。

Main Contributions

RP-VIO是一個(gè)在初始化和滑動(dòng)窗口估計(jì)過(guò)程中只使用平面特征及其導(dǎo)出的單應(yīng)性約束的單目VIO系統(tǒng)，以提高動(dòng)態(tài)環(huán)境中的魯棒性和準(zhǔn)確性。

構(gòu)建了一個(gè)逼真的包含視覺(jué)以及IMU信息的數(shù)據(jù)集，與現(xiàn)有的數(shù)據(jù)集不同，它包含了整個(gè)序列（包括初始化）中的動(dòng)態(tài)人物，并有足夠的IMU激勵(lì)。

在自建數(shù)據(jù)集上對(duì)所提出方法進(jìn)行了廣泛的評(píng)估，一個(gè)來(lái)自最近發(fā)布的VIODE數(shù)據(jù)集的戶外模擬序列，以及來(lái)自O(shè)penLORIS-Scene和ADVIO的兩個(gè)具有挑戰(zhàn)性的真實(shí)世界序列，使用了一個(gè)基于CNN的平面分割模型。

Method

我們提出的方法足夠通用，可以集成到任何視慣融合里程計(jì)或SLAM系統(tǒng)中，在這項(xiàng)工作中，我們以VINS-Mono為基礎(chǔ)。VINSMono是一個(gè)最先進(jìn)的單目VIO，它是基于預(yù)集成的IMU測(cè)量和視覺(jué)特征的緊耦合的滑動(dòng)窗口優(yōu)化。我們認(rèn)為它是一個(gè)純粹的VIO系統(tǒng)，忽略了它的重新定位和閉環(huán)模塊。我們?cè)谄淝岸说幕A(chǔ)上，只檢測(cè)和跟蹤場(chǎng)景中的平面特征，并在初始化和優(yōu)化模塊中引入平面單應(yīng)性約束。

1.符號(hào)定義

2.前端

我們的系統(tǒng)將灰度圖像、IMU測(cè)量值和平面分割掩碼作為輸入。這些平面分割遮罩是從一個(gè)基于CNN的模型中獲得的，我們?cè)诘谌翬節(jié)中描述。我們?cè)谠紙D像上應(yīng)用獲得的平面實(shí)例分割掩碼，只檢測(cè)和跟蹤屬于場(chǎng)景中（靜態(tài)）平面區(qū)域的特征，同時(shí)還保持每個(gè)被跟蹤特征屬于哪個(gè)平面的信息。為了避免檢測(cè)到可能屬于動(dòng)態(tài)物體的面具邊緣的任何特征，我們對(duì)原始面具進(jìn)行了侵蝕操作。此外，我們使用RANSAC對(duì)每個(gè)平面的特征進(jìn)行單獨(dú)的平面同構(gòu)模型，以拋棄任何異常值。這些離群值可能是由KLT光流算法的不正確匹配產(chǎn)生的特征，或者是不屬于更大的父平面的不準(zhǔn)確的片段。圖像幀之間的原始IMU測(cè)量值被轉(zhuǎn)換為預(yù)集成測(cè)量值，具有足夠視差和特征軌跡的圖像幀被選作關(guān)鍵幀。

3.初始化

視覺(jué)-慣性滑窗優(yōu)化在給定狀態(tài)初值下通過(guò)迭代求解。為了獲得一個(gè)良好的初始估計(jì)，而不對(duì)起始配置做任何假設(shè)，使用了一個(gè)單獨(dú)的松耦合初始化程序，其中視覺(jué)測(cè)量和慣性測(cè)量被分別處理成各自的位姿估計(jì)，然后對(duì)齊求解其中未知參數(shù)。我們首先求解相機(jī)位姿、三維點(diǎn)和平面參數(shù)。從一個(gè)初始圖像幀的窗口中，選擇兩個(gè)具有足夠視差的基本幀。在它們之間的所有關(guān)聯(lián)上的特征中，我們選擇產(chǎn)生于場(chǎng)景中最大平面的匹配點(diǎn)對(duì)。我們將具有最多特征的平面確定為最大的平面。利用這些對(duì)應(yīng)關(guān)系，我們使用RANSAC擬合了一個(gè)與兩個(gè)相機(jī)位姿和最大平面相關(guān)的平面單應(yīng)性矩陣H。將單應(yīng)性矩陣H歸一化后使用OpenCV中已經(jīng)實(shí)現(xiàn)的Malis和Vargas的分析方法將其分解為旋轉(zhuǎn)、平移和平面法向量。然而，該方法最多可以返回四個(gè)不同的解，這些解必須進(jìn)行條件判斷篩選。我們首先通過(guò)強(qiáng)制執(zhí)行正深度約束將這個(gè)解集減少到兩個(gè)，也就是說(shuō)，所有的平面特征必須位于相機(jī)的前面。這個(gè)約束實(shí)現(xiàn)為： 

即使IMU預(yù)積分旋轉(zhuǎn)內(nèi)部的陀螺儀偏置還沒(méi)有被估計(jì)出來(lái)，但因?yàn)槠浞韧ǔ：苄?，不?huì)特別影響結(jié)果。分解出的位姿用來(lái)對(duì)兩個(gè)基本幀之間的對(duì)應(yīng)特征點(diǎn)進(jìn)行三角化，獲得一個(gè)初始點(diǎn)云。窗口內(nèi)其余幀的位姿使用PnP進(jìn)行估計(jì)。在此注意到由于兩個(gè)基準(zhǔn)幀之間的位姿是以平面距離d為尺度的，所以三角化的點(diǎn)云和推導(dǎo)出的位姿也具有相同的尺度。所有的位姿隨后被送入一個(gè)BA優(yōu)化中，除了標(biāo)準(zhǔn)的3D-2D重投影殘差外，我們還包括以下由平面單應(yīng)性產(chǎn)生的2D-2D重投影殘差。

用平面單應(yīng)性矩陣從第一幀中映射其對(duì)應(yīng)的圖像位置ul得到的。BA的輸出是按尺度（d）得到的相機(jī)位姿和三維點(diǎn)，以及平面法向量。這些經(jīng)過(guò)BA調(diào)整的視覺(jué)估計(jì)仍然不足以初始化，因?yàn)檫€需要估計(jì)未知的尺度、重力矢量、速度和IMU的偏置。這些參數(shù)的估計(jì)方法與VINS-Mono中一致。視覺(jué)估計(jì)和IMU預(yù)積分之間尺度因子是到最大平面的距離d。加速計(jì)的偏置，通常需要更多的測(cè)量，為了將初始化時(shí)間限制在2秒以內(nèi)，沒(méi)有進(jìn)行解算。一旦所有的慣性量被估計(jì)出來(lái)，相機(jī)位姿和三維特征點(diǎn)被重新縮放為公制單位，世界坐標(biāo)系被重新對(duì)齊，使其Z軸處于重力方向。對(duì)于場(chǎng)景中除最大平面外的其他平面，包括操作過(guò)程中可能新觀察到的平面，我們同樣計(jì)算它們各自的平面單應(yīng)性矩陣并對(duì)其進(jìn)行分解。但我們避免重新進(jìn)行視覺(jué)BA，以及用IMU測(cè)量值重新調(diào)整它們的位姿，以及估計(jì)它們的尺度dp。我們直接將dp估計(jì)為每個(gè)分解的平移tp與對(duì)應(yīng)公制平移tp的反比，這在之前已經(jīng)用最大的平面和慣性測(cè)量進(jìn)行了估計(jì)。有了這個(gè)結(jié)果，當(dāng)前狀態(tài)下的所有視覺(jué)和慣性量都已進(jìn)行求解，這些估計(jì)值被送入滑窗內(nèi)作為優(yōu)化的初始種子點(diǎn)。

4.滑窗優(yōu)化

批量?jī)?yōu)化位姿、地圖點(diǎn)、慣性測(cè)量和平面參數(shù)的整個(gè)歷史結(jié)果不能保證實(shí)時(shí)性，所以采用一個(gè)固定大小的滑窗進(jìn)行優(yōu)化。優(yōu)化目標(biāo)函數(shù)如下所示：

系統(tǒng)構(gòu)建的因子圖如上圖所示，整個(gè)非線性目標(biāo)函數(shù)通過(guò)使用Ceres Solver中實(shí)現(xiàn)的Dogleg算法和Dense-Schur線性求解器迭代求解。在優(yōu)化結(jié)束時(shí)，窗口向前移動(dòng)一幀以納入最新幀。最新幀的狀態(tài)是通過(guò)傳播前一幀的慣性測(cè)量值進(jìn)行初始化。如同VINS-Mono中的做法，丟棄的幀被邊緣化。而優(yōu)化后的平面參數(shù)并沒(méi)有被丟棄或邊緣化，而是在再次觀察到該平面時(shí)重新使用。

5.平面分割

為了從每個(gè)輸入的RGB圖像中分割出平面，文章基于Pane-Recover實(shí)施。他們的模型使用結(jié)構(gòu)約束進(jìn)行訓(xùn)練，以同時(shí)預(yù)測(cè)平面分割掩碼和它們的三維參數(shù)，只有語(yǔ)義標(biāo)簽，沒(méi)有明確的三維標(biāo)注。該模型在單個(gè)Nvidia GTX Titan X (Maxwell)GPU上能以30 FPS運(yùn)行適合于實(shí)時(shí)VIO。盡管他們的模型很有效，但我們?cè)趯?shí)驗(yàn)中注意到，預(yù)測(cè)的片段往往不連續(xù)，單一的大平面被分割成多個(gè)獨(dú)立的平面。為了克服這個(gè)問(wèn)題，我們引入了一個(gè)額外的損失函數(shù)，將之間相對(duì)方向小的平面約束為一個(gè)平面。

有了這個(gè)新增的損失函數(shù)，我們用他們提供的來(lái)自SYNTHIA的訓(xùn)練數(shù)據(jù)重新訓(xùn)練網(wǎng)絡(luò)，另外我們還對(duì)室內(nèi)ScanNet數(shù)據(jù)集的兩個(gè)序列（00，01）進(jìn)行訓(xùn)練。為了進(jìn)一步改善分割的邊界細(xì)節(jié)，我們采用隨機(jī)場(chǎng)模型來(lái)完善網(wǎng)絡(luò)的分割結(jié)果。下圖顯示了我們?cè)谠u(píng)估中使用的一個(gè)未見(jiàn)過(guò)的實(shí)際場(chǎng)景的分割結(jié)果。

在這一節(jié)中，我們描述了如何從場(chǎng)景中檢測(cè)和跟蹤平面特征，如何利用IMU將平面單應(yīng)性矩陣分解成各自的運(yùn)動(dòng)和平面估計(jì)，以及如何將平面參數(shù)作為附加約束引入初始化和滑窗優(yōu)化中。在下一節(jié)中，我們展示了這種方法在動(dòng)態(tài)環(huán)境中的有效性。

Experiments

1.自建仿真數(shù)據(jù)集

RPVIO模擬數(shù)據(jù)集是我們生成仿真數(shù)據(jù)集，其中有準(zhǔn)確的軌跡幀值，并且在整個(gè)序列中有足夠的IMU激勵(lì)。我們逐步在這些序列中加入動(dòng)態(tài)元素，并使它們?cè)谛蛄械乃胁糠侄伎梢?jiàn)，甚至在初始化期間也是如此。這使我們能夠分離出它們對(duì)整個(gè)系統(tǒng)精度的影響。四旋翼飛機(jī)被控制沿著半徑為15米的圓圈移動(dòng)，同時(shí)沿著垂直方向的正弦波移動(dòng)。沿著高度的正弦激勵(lì)是為了確保非恒定的加速度，并保持尺度的可觀性。我們進(jìn)一步命令它在開始運(yùn)動(dòng)時(shí)，進(jìn)行垂直加速，以幫助初始化?？偟能壽E長(zhǎng)度為200米，持續(xù)時(shí)間為80秒，最大速度為3米/秒。在四旋翼飛機(jī)形成的圓圈內(nèi)，我們引入了正在進(jìn)行重復(fù)性舞蹈運(yùn)動(dòng)的動(dòng)態(tài)人物。我們?cè)诿總€(gè)序列中逐步加入更多的動(dòng)態(tài)角色，其他都是固定的，從靜態(tài)場(chǎng)景開始，到8個(gè)動(dòng)態(tài)物體，總共記錄了6個(gè)序列。四旋翼飛機(jī)的偏航方向也是固定的，以保持相機(jī)指向圓心，這樣，在整個(gè)序列中，人物都在相機(jī)的視野范圍內(nèi)。四旋翼飛機(jī)和人物是通過(guò)程序控制的，以確保他們的運(yùn)動(dòng)在所有序列中都是同步的。

VINS-Mono、Mask-VINS和RP-VIO在靜態(tài)和存在一個(gè)動(dòng)態(tài)物體的序列上表現(xiàn)相似。因?yàn)殪o態(tài)點(diǎn)的數(shù)量遠(yuǎn)遠(yuǎn)大于動(dòng)態(tài)點(diǎn)的數(shù)量，RANSAC的效果與應(yīng)用Mask相同。在存在兩個(gè)動(dòng)態(tài)物體序列中，我們注意到VINS-Mono的精度比Mask-VINS和RP-VIO低得多，而Mask-VINS和RP-VIO的精度相似。當(dāng)其中一個(gè)動(dòng)態(tài)物體太相機(jī)時(shí)，VINS-Mono在初始化過(guò)程中積累了大部分的誤差，如下圖所示，

然而，在存在4(C4)個(gè)、6(C6)個(gè)和8(C8)個(gè)動(dòng)態(tài)物體的序列中，VINS-Mono完全跟丟。在C4和C6中，Mask-VINS和RP-VIO仍然能夠成功跟蹤，但RP-VIO-Single是精度較高，這表現(xiàn)出了增加的單應(yīng)性約束在改善魯棒性方面的作用。在C8序列中，我們的仍然能夠像其他序列一樣成功跟蹤，但Mask-VINS完全跟丟。這可能是因?yàn)閳?chǎng)景非常雜亂，剩下的少數(shù)特征只來(lái)自初始化時(shí)的單一平面，這對(duì)VINS-Mono的基于基本矩陣的SfM初始化來(lái)說(shuō)是一種退化的情況。在這個(gè)序列中，RP-VIO-Multi顯示出比RP-VIO-Single更好的準(zhǔn)確性，這可能是RP-VIO-Multi相較于RP-VIO-Single有更多的觀測(cè)。

2.標(biāo)準(zhǔn)數(shù)據(jù)集

我們?cè)赩IODE、OpenLORIS-Scene、ADVIO三個(gè)序列上評(píng)估了我們系統(tǒng)的魯棒性。第一個(gè)數(shù)據(jù)集使用AirSim生成的，是一個(gè)有許多移動(dòng)車輛的戶外城市環(huán)境中拍攝的，由一架正在進(jìn)行包括急劇旋轉(zhuǎn)在內(nèi)的無(wú)人機(jī)拍攝。我們使用他們提供的分割圖像，只沿著道路追蹤特征。第二個(gè)數(shù)據(jù)集是在現(xiàn)實(shí)世界的超市里從一個(gè)掃地機(jī)器人上采集的，其中包含許多動(dòng)態(tài)的人物，如移動(dòng)的人、手推車等。第三個(gè)數(shù)據(jù)集是在一個(gè)真實(shí)世界的地鐵站里用手持智能手機(jī)拍攝的，是三個(gè)序列中視覺(jué)上最有挑戰(zhàn)性的一個(gè)，它的視野很窄，動(dòng)作很快，動(dòng)態(tài)人物的形式是一輛移動(dòng)的火車和移動(dòng)的人。其中VIODE序列的總長(zhǎng)度為166米，OpenLORIS序列為145米，而ADVIO序列為136米。

我們對(duì)三個(gè)序列使用我們方法的單平面版本進(jìn)行測(cè)試。我們使用了與仿真實(shí)驗(yàn)相同的特征參數(shù)，沒(méi)有進(jìn)行任何調(diào)整。其與GT和其它方法相比得到的RMSE誤差如下表所示：

在這里，由于在所有三個(gè)序列中，所有被遮擋的特征主要來(lái)自一個(gè)平面，我們沒(méi)有與先前評(píng)估中使用的Mask-VINS進(jìn)行比較，因?yàn)閬?lái)自一個(gè)平面的特征對(duì)VINS-Mono初始化來(lái)說(shuō)形成了一個(gè)退化情況。沒(méi)有一個(gè)現(xiàn)成的語(yǔ)義分類器可以準(zhǔn)確地分割兩個(gè)序列中的所有動(dòng)態(tài)物體，這也使得不能近似公平的對(duì)比。ADVIO序列中的圖像具有非常高的分辨率1280×720，采集頻率為60HZ，這導(dǎo)致了VINS前端的大量丟幀。出于這個(gè)原因，對(duì)這個(gè)序列的評(píng)估是在一個(gè)更強(qiáng)大的CPU上運(yùn)行的，它有32GB內(nèi)存和一個(gè)SSD。

討論：我們的方法在所有三個(gè)序列上都比VINS-Mono有明顯的提升。在OpenLORIS和VIODE序列中，我們的方法使用了比VINS-Mono更少的特征但得到了更高的準(zhǔn)確性。這使我們相信，與跟蹤所有可能的特征相比，跟蹤少數(shù)穩(wěn)定的特征可能就足夠了，因?yàn)槠渲性S多特征可能是有噪聲的。在這兩個(gè)真實(shí)世界的序列中，盡管使用的是沒(méi)有經(jīng)過(guò)圖像訓(xùn)練的通用平面檢測(cè)網(wǎng)絡(luò)，但該網(wǎng)絡(luò)和CRF能夠提供可靠的平面分割，足以讓我們的方法準(zhǔn)確跟蹤。如果有訓(xùn)練數(shù)據(jù)，我們希望能有更準(zhǔn)確的分割和更好的整體軌跡估計(jì)。對(duì)于包含動(dòng)態(tài)平面的場(chǎng)景，如車輛，必須訓(xùn)練并使用特定的地面或墻壁表面分類器。但對(duì)特定的平面進(jìn)行訓(xùn)練仍然比對(duì)所有可能移動(dòng)的物體類別進(jìn)行語(yǔ)義分類器的訓(xùn)練更可行。我們的方法應(yīng)該被認(rèn)為是對(duì)通用的基于點(diǎn)的系統(tǒng)的補(bǔ)充，而不是作為一個(gè)完全的替代。

Conclusion

我們提出了一個(gè)單目VIO系統(tǒng)，該系統(tǒng)只使用環(huán)境中的一個(gè)或多個(gè)平面以及它們的結(jié)構(gòu)規(guī)律性來(lái)進(jìn)行動(dòng)態(tài)環(huán)境中的精確位姿估計(jì)。我們?cè)诓煌姆抡婧蛯?shí)際動(dòng)態(tài)環(huán)境中驗(yàn)證了其提升性能，同時(shí)在靜態(tài)場(chǎng)景中評(píng)估了它與baseline相同性能。對(duì)于現(xiàn)實(shí)世界的環(huán)境，只使用一個(gè)通用的平面分割模型，我們得到比最先進(jìn)的單目VIO系統(tǒng)精度提高了45%。在我們與Mask-VINS的比較中，我們的方法比簡(jiǎn)單的動(dòng)態(tài)特征剔除方法取得了更好的準(zhǔn)確性，這意味著了增加的結(jié)構(gòu)約束在提高魯棒性方面的作用。這項(xiàng)工作的未來(lái)范圍是將其擴(kuò)展到一個(gè)完整的SLAM系統(tǒng)中，以獲得干凈和一致的基于平面的地圖，沒(méi)有任何平面外的噪聲特征，這反過(guò)來(lái)可以用來(lái)進(jìn)一步改善運(yùn)動(dòng)估計(jì)。此外，還可以研究來(lái)自分割模型預(yù)測(cè)的三維平面參數(shù)是否可以直接用于改進(jìn)初始化。該方法還可以擴(kuò)展到包括從分割的平面中產(chǎn)生的相應(yīng)的線特征約束融合到系統(tǒng)中。

備注：作者也是我們「3D視覺(jué)從入門到精通」特邀嘉賓：一個(gè)超干貨的3D視覺(jué)學(xué)習(xí)社區(qū)