論文題目：SuMa++:Efficient LiDAR-based Semantic SLAM

可參考此文

一、摘要

可靠的高精度定位和建圖是自動駕駛系統的關鍵環節。除了高精度的幾何信息以外，地圖中還應該包含語義信息，以為載體的智能行為提供依據。但在實際環境中，移動物體的存在會使建圖過程變得更加復雜，因為它會污染地圖并影響定位效果。在這篇文章里，我們在傳統基于曲面建圖（surfel based mapping）方法的基礎上，增加語義信息的融合以解決上面提到的問題。語義信息的提取是通過神經網絡完成的，該網絡對點云中所有的點都給予類別標簽，從而讓我們在使用曲面建圖時，得到的是帶有標簽的曲面。通過這種方法，不僅可以濾除動態物體，而且可以使用語義信息對里程估計進行約束，以提到地圖精度。為了驗證該方法的效果，我們使用KITTI數據集中的高速公路場景進行實驗，結果表明，它的效果要優于傳統的僅使用集合信息的方法。

二、主要貢獻

1、對點云進行語義分割，根據語義信息識別動態物體，并在地圖中去除。

2、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。

三、主要算法

1. 整體思路

本論文所提出的整體網絡結構如下圖所示，從圖中我們可以看出該算法的主要流程：

1）通過網絡對點云進行語義分割

2）使用漫水填充（flood-fill）方法消除錯誤的類別標簽

3）使用濾波器進行動態物體檢測，并移除動態物體

4）建立帶語義信息約束的ICP模型，優化里程精度

2. 語義分割

語義分割使用的是RangeNet++方法，它的主要內容在另一篇論文里，該論文并沒有對這個方法進行太多的改進，下圖是RangeNet++的網絡結構圖

3. 漫水填充

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?。最后(d)中顯示的是?對應的深度圖。

4. 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就是用來計算概率的。

如果有對cartographer比較熟悉的讀者，會發現這個公式其實和cartographer移除動態物體的公式很像，其實他們的核心思想確實是一樣的。

5. 基于語義信息的ICP

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。

三、實驗效果

作者在KITTI數據集上進行了測試，而且專門挑的移動物體特別多的路段，實際效果如下圖所示。

在上圖中，(c）是真實的環境，這里的圖片只是為了向作者展示環境里有什么，算法并沒有用到圖片信息。(a) 和 (b) 分別是不結合語義信息和結合語義信息建立的地圖，從圖中明顯可以看出，不使用語義信息時，周圍的車輛造成的拖尾現象就特別嚴重。但我們同樣也發現了另一個現象，就是在考慮語義信息以后，雖然沒有拖尾，但是車輛仍然在里面，也就是說如果建圖的時候有堵車，那么公路的地圖中仍然會有車輛，而這對地圖來講也是不好的。所以這樣看，不僅需要移除動的物體，而且有必要移除一些可能動的物體。

四、結論

本文提出了一種基于語義信息的激光SLAM系統，通過語義分割，識別出周圍環境中的物體，以物體為單位，構建和帶有語義約束的ICP模型，提高了定位的穩定性，同時對動態物體進行了識別并剔除，提高了地圖的質量。

總結

以上是生活随笔為你收集整理的激光SLAM | SuMa++：基于激光雷达的语义SLAM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。