构建室内环境抽象语义图 - Applying Rule-Based Context Knowledge to Build Abstract Semantic Maps of Indoor

Applying Rule-Based Context Knowledge to Build Abstract Semantic Maps of Indoor Environments
链接: link.

慕尼黑工业大学（Technische Universität München, TUM, TU München） Automatic Control Engineering自动化控制工程专业；

摘要

在本文中，我们提出了一种可推广的方法，系统地将数据驱动的MCMC采样和使用基于规则的上下文知识进行数据抽象的推理结合起来。该系统是一个感知环境的参数化抽象模型，它不仅准确地表示了环境的几何形状，而且提供了有价值的抽象信息，有利于高级机器人应用。 基于预先定义的抽象术语，如“类型”和“关系”，我们将特定于任务的上下文知识定义为马尔可夫逻辑网络中的描述规则。 利用相应的推理结果构造一个旨在给语义映射的解空间添加合理约束的先验分布。 此外，通过应用语义注释的传感器模型，使用上下文信息来解释传感器数据。

相关工作

这种抽象语义地图的问题可以分几个大类：

第一个就是专注于语义区域的标定－－将环境分为几个区域，之后将这些区域进行语义标定（如：是办公室还是走廊）；类似工作有Park and Song [14]；Jebari et. al. [7]　Pronobis and Jensfelt [16]等．

与场所标注不同，另一组工作集中于：语义标注环境中的不同部分，如室内环境的墙壁，地板，天花板，或室外环境的建筑物，道路，植被。这些开始结合周围的信息来对区域进行语义预测．

另一类是基于对象的语义映射，它将对象作为感知环境的基本表示单位。 这类系统通常采用点云处理和图像处理技术对物体进行建模或检测。 对象的外观，形状和三维位置等特征被用来表示对象。 基于对象的语义映射的例子在[19]，[17]，[13]和[10]。

在本文中，我们利用基于规则的上下文知识扩展了我们以前的工作[9]。 该工作从整体上展示了一种构建室内环境抽象语义图的概率方法，该方法系统地结合了数据驱动的MCMC[22]和使用基于规则的上下文知识的推理。 不同于典型的语义标记过程，我们的映射系统输出的是感知环境的参数化抽象模型，它不仅准确地表示了环境的几何形状，而且提供了有价值的抽象信息。

图一：　整体抽象语义地图方法的总览
a)输入地图，灰色：未知区域；白色：自由区域；黑色：被占用或障碍物　b) 抽象模型（圆圈　节点＝空间节点，蓝色矩形　节点＝对象，黑色直线＝通过门联通，黑色虚线＝毗邻但是没有门）c）抽象模型的实例（灰色=未知，白色=自由，黑色=墙，青色=门，绿色=对象，R=房间，c=走廊，H=大厅），假设每个空间单元具有矩形形状。d）抽象模型中的每个单元包含描述其几何形状（大小，位置和方向）的抽象变量和参数。

室内语义地图的抽象模型

语义映射系统是以环境网格图作为输入（2D SLAM过程的典型结果，如[4])，返回该环境的参数化抽象模型：提供语义层次的解释（如“类型”和“关系”）和环境的几何估计。 模型在图中给出： 1.我们的抽象模型用基本的室内空间类型来解释室内环境，如“房间”，“走廊”，“大厅”等，我们将其表示为W
$$W:=U，T，R，$$
1）其中U={u_i=1，…，n}表示所有n个单元的集合。 每个区域u_i都有一个矩形形状，它的几何形状（大小，位置和方向）由它的四个顶点表示。 一个区域的四边是它的墙。 门是位于墙壁中的自由的小线段，并连接到另一个区域。 位于区域内的输入映射的未知单元被认为是对象单元。 T={t_i i=1，．．．，n}是每个单元的类型集合，其中ti∈{“room“房间，“corridor”走廊，“hall“大厅，other}。 这里的“其他”表示不是“房间”，“走廊”或“大厅”的单元类型。
$$R=\{\begin{array}{c}{r}_{p,q}|p=1\end{array}$$