SuMa++:Efficient LiDAR-based Semantic SLAM

摘要

提出了一種擴展的基于表面建圖的方法，利用三維激光集成語義信息來促進制圖過程。

利用FCNN提取語義信息，并在激光數據形成的的球面投影上進行渲染。

語義分割結果為整個掃描的點添加方向標簽，建立帶標記面元的語義地圖。

通過語義約束改善了投射掃描匹配（將語義信息作為約束，加入優化步驟中）。

方法

基礎：SuMa開源框架

語義：FCN RangeNet++，點標簽由RangeNet++提供

基于表面的建圖

地圖用的是面元來表達，每個面元由以下屬性構成：
位置$v_s$，法向$n_s$，半徑$r_s$表示，兩個時間戳：創造面元的時間戳和最后被觀測更新的時間戳，穩定判斷概率（通過二值貝葉斯濾波器計算）

語義分割

對每一幀作語義分割，每個點用RangeNet++預測語義標簽并生成語義地圖，之后為每個面元添加語義標簽和對應的分割概率。

高精語義地圖

運用flood-fill算法減小語義誤差
又考慮到物體邊界的預測不確定性比中心的要高，采用以下兩步處理：

腐蝕像素：將邊界擴大一點點。

結合深度信息，重新填充深度信息。

最后得到較為準確的語義區域。

通過語義濾除動態物體

在新的觀測和世界模型的一致性，采用語義一致性檢驗，在貝葉斯濾波器中添加懲罰項，迭代去除不穩定的面元。
精度提高：利用前面計算的面元的穩定概率，更新和計算一個懲罰因子

語義ICP

將語義約束添加進優化中

實驗數據討論分析

結論

總結

以上是生活随笔為你收集整理的SuMa++:Efficient LiDAR-based Semantic 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。