每天一篇论文 353/365 Multimodal Semantic SLAM with Probabilistic Data Association

基于概率数据关联的多模态语义SLAM

摘要

近年来目标检测系统的成功推动了基于对象的机器人导航表示，即语义同步定位与映射（SLAM）。语义SLAM问题可以分解为一个离散的推理问题：确定对象类标签和测量地标对应关系（数据关联问题）和一个连续的推理问题：获取机器人在环境中的位置和姿态集合。语义SLAM问题的一个解决方案必然要解决这个联合推理问题，但在不明确的数据关联下，这通常是一个非高斯推理问题，而以往的工作大多集中在高斯推理上。以前的数据关联解决方案要么在潜在假设之间产生解决方案，要么为每个关联维护多个明确的假设。我们提出一个解决方案，将假设表示为等效非高斯传感器模型的多个模式。然后，我们使用非参数置信传播来解决由此产生的非高斯推理问题。我们在模拟的走廊环境中，在各种传感器噪声特性下验证了我们的方法，并使用来自KITTI数据集的真实数据，证明了对感知混叠和里程计不确定性的鲁棒性。

贡献

在数据关联和地标类模糊的情况下，度量模型，即使是那些用高斯近似很好地表示的模型，也可以用非高斯度量模型表示，如图1所示。我
们的主要贡献如下:
1)针对数据关联不明确的语义SLAM问题，提出了一种全后验推理的非参数信念传播解决方案。
2)我们描述了多模态语义因子，它允许我们将数据关联和语义中的不确定性作为非高斯因子合并到一个因子图中，并使用mm-iSAM求解位姿和地标的连续优化。
3)我们在一个模拟导航任务中实验验证了我们的方法，并使用了KITTI数据集，证明了我们对数据关联和地标类模糊的鲁棒性。

方法

添加来自具有连续传感模式的目标探测器的离散分类传感器测量对同步定位和(SL建图AM)提出了挑战，因为传统方法假设所有测量的概率都是高斯分布的。对于任何包含离散对象类别的语义SLAM系统，解决组合离散-连续问题都是必要的。本文提出了一种新的方法来解决地标位置和类别、机器人姿态和数据关联的联合推断问题。在本文中，我们探讨了语义SLAM问题中由于数据关联和地标类模糊性引起的不确定性的表示。我们特别关注所有机器人姿态和地标的完全后验推理，放松典型SLAM框架的高斯假设，并将来自目标探测器的离散测量作为概率数据关联，这将在其他高斯测量模型中引入多种模式。我们的目标是近似非高斯后验，明确地边缘化离散变量。

使用最大期望

为了在因子图中容纳非高斯变量，多模态iSAM利用了非参数信念传播[4]。非参数置信传播是利用吉布斯采样和核密度估计相结合的方法，在不考虑高斯性假设的情况下，逼近所有连续状态变量的置信值。也就是说，对于随机变量X，我们近似边际除以
多通道语义因素

实验