IntelRealSense/librealsense项目中Kinfu在Jetson平台上的性能优化实践

引言

在3D视觉领域，实时场景重建是一个重要研究方向。IntelRealSense/librealsense项目中的Kinfu模块提供了基于RGB-D相机的实时三维重建能力。本文将详细介绍在NVIDIA Jetson Orin NX平台上使用D455相机进行Kinfu三维重建时的性能优化经验。

环境配置

测试平台采用NVIDIA Jetson Orin NX开发板，搭载Ubuntu 20.04操作系统。使用的深度相机为Intel RealSense D455，这是一个基于立体视觉原理的RGB-D相机，能够提供高质量的深度图像。

初始性能问题

在初始测试中，Kinfu重建效果不理想，主要表现为：

1. 点云扭曲变形
2. 重建物体周围存在大量冗余点
3. 对于某些材质物体（如可乐瓶、胶带等）重建效果差
4. 重建过程中CPU负载高但GPU利用率低

性能优化方案

1. 配置参数调整

通过修改rs-kinfu.cpp中的关键参数显著改善了重建质量：

// 调整最大距离参数
const float max_dist = 6.0f;  // 原值为1.0f

// 注释掉高密度预设配置
// cfg.enable_stream(RS2_STREAM_DEPTH, 640, 480, RS2_FORMAT_Z16, 30);
// cfg.enable_stream(RS2_STREAM_COLOR, 640, 480, RS2_FORMAT_RGB8, 30);

增大max_dist参数允许系统处理更远距离的深度数据，有效减少了重建中的空洞现象。

2. 后处理滤波优化

原代码中的后处理滤波会显著增加CPU负担，通过选择性禁用部分滤波获得了更好的性能表现：

// 注释掉部分后处理滤波
// depth_to_disparity, spatial, disparity_to_depth等

建议保留必要的滤波而禁用计算密集型的空间滤波(spatial filter)。

3. 可视化优化

在资源受限的Jetson平台上，简化可视化可以释放更多计算资源：

// 简化可视化部分代码
// 注释掉不必要的可视化窗口和渲染

4. 预设配置选择

针对不同物体特性，选择合适的视觉预设能显著改善重建质量：

// 尝试不同的视觉预设
cfg.enable_stream(RS2_STREAM_DEPTH, preset_type);

对于反光或透明物体，建议尝试MEDIUM_DENSITY或HIGH_ACCURACY预设。

离线重建技巧

Kinfu支持使用录制的bag文件进行离线重建，这为算法调试提供了便利：

rs2::config cfg;
cfg.enable_device_from_file("recording.bag");
pipe.start(cfg);

Jetson平台特有优化

在Jetson平台上，需要注意以下几点：

1. 编译时只需重新make修改过的示例，无需完全重新编译
2. 当前版本Kinfu的帧融合过程未充分利用Jetson的GPU加速能力
3. 适当降低分辨率可提高处理速度

重建效果对比

优化前后效果对比明显：

• 优化前：物体残缺、冗余点多、重建形状扭曲
• 优化后：物体完整性好、噪声点减少、形状更准确

特别是对于规则物体如纸盒，重建效果接近完美；对于反光材质物体仍需进一步优化。

结论

通过参数调整、算法优化和平台适配，可以显著提升Kinfu在Jetson平台上的重建性能。未来工作可探索更好的GPU加速方案和针对特定物体的优化策略。这些经验也为在其他嵌入式平台上部署实时3D重建提供了参考。