SuMa++:Efficient LiDAR-based Semantic SLAM

摘要

提出了一种扩展的基于表面建图的方法，利用三维激光集成语义信息来促进制图过程。

利用FCNN提取语义信息，并在激光数据形成的的球面投影上进行渲染。

语义分割结果为整个扫描的点添加方向标签，建立带标记面元的语义地图。

通过语义约束改善了投射扫描匹配（将语义信息作为约束，加入优化步骤中）。

方法

基础：SuMa开源框架

语义：FCN RangeNet++，点标签由RangeNet++提供

基于表面的建图

地图用的是面元来表达，每个面元由以下属性构成：
位置$v_s$，法向$n_s$，半径$r_s$表示，两个时间戳：创造面元的时间戳和最后被观测更新的时间戳，稳定判断概率（通过二值贝叶斯滤波器计算）

语义分割

对每一帧作语义分割，每个点用RangeNet++预测语义标签并生成语义地图，之后为每个面元添加语义标签和对应的分割概率。

高精语义地图

运用flood-fill算法减小语义误差
又考虑到物体边界的预测不确定性比中心的要高，采用以下两步处理：

腐蚀像素：将边界扩大一点点。

结合深度信息，重新填充深度信息。

最后得到较为准确的语义区域。

通过语义滤除动态物体

在新的观测和世界模型的一致性，采用语义一致性检验，在贝叶斯滤波器中添加惩罚项，迭代去除不稳定的面元。
精度提高：利用前面计算的面元的稳定概率，更新和计算一个惩罚因子

语义ICP

将语义约束添加进优化中

实验数据讨论分析

结论

总结

以上是生活随笔为你收集整理的SuMa++:Efficient LiDAR-based Semantic SLAM的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。