SuMA++:Efficient LiDAR-based Semantic SLAM

簡介：

基于曲面建圖（surfelbased mapping）方法的基礎上，增加語義信息的融合以解決建圖時移動物體的問題。語義信息是通過神經網絡完成，該網絡給點云中的點添加標簽，建圖時得到的是帶有標簽的曲面，1、可以濾除動態物體 2、使用語義信息對里程計進行約束，提高建圖的精度

主要貢獻：

對點云進行語義分割，根據語義信息識別動態物體，并去除

把帶有語義標簽的物體進行數據關聯，和幾何信息一起建立約束關系，從而提高建圖精度

整體思路：

通過網絡對點云進行語義分割

使用RangeNet++方法。

使用漫水填充方法消除錯誤的類別標簽

由于網絡對點云進行的語義分割必然包含正確分類和錯誤分類，而這里面的錯誤會對后續環節產生不好的影響，因此有必要對其進行消除。這一環節的主要流程如下圖所示。

?

上圖中左側是右側圖中虛線框方法的部分，先對(a)中的錯誤識別結果進行剔除，得到(b)，然后利用周圍的標簽點云對他進行填充，得到(c)。最后(d)中顯示的是(c)對應的深度圖。

使用濾波器進行動態物體檢測，并移除動態物體

動態物體的識別是根據物體在同一位置出現的概率實現的。具體來講，就是說如果在這一幀中，某個位置出現了物體，在下一幀中，它還在，如果連續很多幀它都出現在同一個位置，那么它就是靜止的，反之，在每一幀中檢測到的位置都發生變化，那么它就是移動的。當然，此處位置指的是地圖中的位置，而不是相對于當前幀點云的位置。上面是為了方便理解采用的通俗的解釋，實際算法實現是用下面的公式

?

這個公式其實和cartographer移除動態物體的公式很像

建立帶語義信息約束的ICP模型，優化里程計精度

我們知道ICP對兩幀點云匹配其實就是讓兩幀點云對應點的距離達到最小，越小說明位姿估計的越準。但它僅使用幾何信息，魯棒性不是很好。此處作者為了改進這一問題，把語義信息也加入了ICP的數據關聯當中，每一個物體對應一個關聯關系，進行位姿估計時，除了點云要盡量接近，帶語義標簽的各個物體也要盡量接近。

總結

以上是生活随笔為你收集整理的SuMA++论文重点总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。