SuMa++: Efficient LiDAR-based Semantic SLAM

最新推荐文章于 2024-03-07 17:50:26 发布
最新推荐文章于 2024-03-07 17:50:26 发布
阅读量424 收藏 2
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40268190/article/details/108464223
版权

文章目录


在这里插入图片描述

流程介绍

  在SuMa的基础上，引入了RangeNet++进行语义分割，在对语义分割进行预处理之后，在里程计和面元更新模块，也考虑了语义信息。算法在Kitti的城市数据上相对SuMa有显著提升，在Kitti Odometry数据集上也和State of Art的方法接近。

语义分割预处理

  RangeNet+的语义分割是在渲染生成的点图上进行的，考虑到物体中央的语义分割精度比边缘高，对点图做腐蚀和泛洪来去除外点。

语义里程计

  在计算对应的两个点的匹配代价时，额外乘以属于同一语义的概率。

面元更新

  在更新面元置信度时，如果语义不同，会增加额外的惩罚项。

翡翠之幻
关注
SLAM综述之Lidar SLAM
点云PCL
05-08 3845
SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。 本系列文章主要分成四个部分： 在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。 第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。 第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度学习以
MATLAB算法实战应用案例精讲-【图像处理】SLAM技术详解（基础篇）（三）
qq_36130719的博客
02-27 813
基于粒子滤波框架的激光SLAM，RBpf粒子滤波算法，即将定位和建图过程分离，先进行定位再进行建图，结合里程计和激光信息，每个粒子都携带一个地图，构建小场景地图所需的计算量较小，精度较高。但在高分辨率建图时，在静止状态下更新不好，存在震荡并noise过多。
SuMa++: LiDAR-based Semantic SLAM
lucas1997的博客
07-10 486
主要内容 基于语义的3D LiDAR SLAM。利用每帧点云中逐点的语义标号，建立全局语义地图。特别地，主要创新点在于利用语义信息滤除动态物体并改变ICP的残差权重，从而提高定位和建图的精度及地图的整洁性（去除了动态残影）。 主要贡献 单帧点云逐点的精修语义标号 通过检查当前帧观测点的语义标号和地图中关联面元的语义标号的一致性，滤除地图中的动态面元 未通过上述一致性的关联，在点面ICP中减少该残差的权重。 X. Chen, A. Milioto, E. Palazzolo, P. Giguere,
SuMa++:Efficient LiDAR-based Semantic SLAM
梦在北的博客
10-10 295
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
论文阅读：SuMa++: Efficient LiDAR-based Semantic SLAM
最新发布
qq_53086461的博客
03-07 1730
来源：IROS 2019 链接：https://ieeexplore.ieee.org/document/8967704 0、摘要 可靠、准确的定位和映射是大多数自动驾驶系统的关键组成部分。除了映射环境的几何信息外，语义在实现智能导航行为方面也起着重要作用。在大多数现实环境中，由于移动对象引起的动态变换，这个任务特别复杂，这可能会破坏建图或定位。在本文中，我们提出了最近发表的基于表面的建图方法的扩展，利用三维激光距离扫描，通过整合语义信息来促进建图过程。利用全卷积神经网络高效提取语义信息，并在激光距离
【论文笔记】SA-LOAM:Semantic-aided LiDAR SLAM with Loop Closure
qq_46480130的博客
11-02 1631
【论文笔记】SA-LOAM:Semantic-aided LiDAR SLAM with Loop Closure    ~~~       ~~~~    基于 LiDAR 的 SLAM 系统无疑比其他系统更准确和稳定，但其回环检测仍然是一个悬而未决的问题。随着点云3D语义分割的发展，可以方便、稳定地获取语义信息，对于高级智能至关重要，也有利于SLAM。本文提出了一种
IROS2019 |新开源SuMa++:语义激光雷达SLAM可靠过滤动态物体
计算机视觉life
11-08 4414
SLAM大牛Cyrill Stachniss组发表在IROS2019的新论文SuMa++: Efficient LiDAR-based Semantic SLAM，已经开源。 demo视频： 论文链接： http://www.ipb.uni-bonn.de/wp-content/papercite-data/pdf/chen2019iros.pdf 开源代码： https://github.com...
论文阅读：SuMa++
stephanezhang的博客
03-19 547
论文阅读：SuMa++ 论文：《SuMa++: Efficient LiDAR-based Semantic SLAM》 SuMa++是建立在SuMa基础上的方法，该方法使用了基于RangeNet++的语义分割技术，在ICP的基础上增加的语义约束。 语义ICP部分 公式如下： E(VD,VM,NM)=∑u∈VDωunuT(TCt−1Ct(k)u−vu)2E(\mathcal{V}_D,\mathcal{V}_M,\mathcal{N}_M)=\sum\limits_{\mathbf{u}\in V_D}\o
semantic_suma:总和++
04-29
SuMa ++：基于LiDAR的高效语义SLAM 该存储库包含SuMa ++的实现，该实现仅使用三维激光测距扫描生成语义图。 由和。 SuMa ++是基于SuMa和RangeNet ++构建的。 有关更多详细信息，请参考原始项目网站和 。 使用SuMa ++的示例： 目录 介绍 出版物 如果您在学术工作中使用我们的实施方法，请引用相应的 ： @inproceedings{chen2019iros, author = {X. Chen and A. Milioto and E. Palazzolo and P. Giguère and J. Behley and C. Stachniss}, title = {{SuMa++: Efficient LiDAR-based Semantic SLAM}}, booktitle = {Proceedings of the
SuMa++_基于雷达的语义SLAM_梦在北.docx
10-29
SuMa++_基于雷达的语义SLAM_梦在北
suma++笔记二
chenmeng0508的博客
04-09 627
src/core/SurfelMapping.cpp src/core/Preprocessing.cpp src/core/Frame2Model.cpp src/core/SurfelMap.cpp src/core/lie_algebra.cpp src/core/LieGaussNewton.cpp src/core/Posegraph.cpp src/co...
suma++笔记一
chenmeng0508的博客
04-09 1836
核心概念： 1 顶点地图（VD）：t时刻点云P的球形投影（极坐标距离限制的点云原始数据）. 2 法向量地图 （ND）: 暂时理解为类似于图片的雷达极坐标系投影(具体等看了代码再补充)。 3 地图视角 （VM&&NM）:将1,2投影到地图上。（特征ICP更新位姿增量,累计位姿增量得到当前位姿） 4 面元被：地图使用面元被表示，由一个位置，一个法向量和一个半径，两个时间戳（创...
Efficient LiDAR Odometry for Autonomous Driving
qq_40268190的博客
05-13 304
文章目录非地面点匹配代价地面点匹配代价模型更新实验结果   针对地面点和非地面点采用不同投影方式和法线估计方式的，基于Poing-to-Plane的Scan-to-Model的激光里程计，通过OpenMP和Cuda的并行，获得了非常高fps下的精确结果。 非地面点匹配代价   将点投影到Range Map上，然后在Range Map中估计点的邻域，邻域范围由点到激光发射器距离决定。为了保证邻域点基于奇异值的法线估计准确性，如果邻域点距离点太远或者点到估计平面距离太大，点会被认为是外点。基于3D-2D的投影
【论文阅读】SuMa SuMa++
博客标题不能为空我也没办法
07-01 2617
一个完整的激光SLAM框架，核心在于“基于面元”的过程，利用3d点云转换出来的深度图和法向量图来作为输入，改进了后端回环检测的过程，利用面元的概念和虚拟帧来优化回环检测的过程
经典文献阅读之--SuMa++
lovely_yoshino的博客
07-01 5204
作为一名技术博主，最主要的还是需要不断地学习新的知识，而最好的学习就是不断地阅读新的文章，并不断地学习和总结前人的思路和方法。所以博主打算开一个新的系列来介绍。这里主要来介绍一下《SuMa++: Efficient LiDAR-based Semantic SLAM》这篇论文。论文原文链接为：https://www.ipb.uni-bonn.de/wp-content/papercite-data/pdf/chen2019iros.pdf。下面的主要框架为任乾​博士博客的内容，加入了作者个人的学习和理解。S
suma++[代碼分析一]: 主入口visualizer.cpp
weixin_58045467的博客
08-31 372
最近在復現suma++，發現網上沒有相關的注釋和解析suma++，可謂荒漠，看的也是一頭霧水。所以想着看一點記錄一點; 今天嘗試着看代碼，個人認爲首先應該看visualizer目錄的visualizer.cpp ,雖然是用qt寫的界面，以前沒有接觸過，但關系到輸入輸出，不看的話，不知道所以然（當然不用一行一行的看，畢竟光可視化的代碼就3000多行...有些代碼望文知義即可）關於 ./visualizer 復現suma++:最後一步 ./visualizer 報錯個人理解，界面中沒有點play按鈕前，加載
《论文阅读》Efficient LiDAR Odometry for Autonomous Driving
未知丶的博客
07-12 488
留个笔记自用 Efficient LiDAR Odometry for Autonomous Driving 做什么 Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。 简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法 用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有
激光雷达语义SLAM：SuMa++在动态环境中的精确建图
本文档主要探讨的是SuMa++，一种基于雷达的语义SLAM（Simultaneous Localization and Mapping，同时定位和建图）方法，专注于在复杂的动态环境中实现可靠的定位和建图。传统的SLAM任务侧重于几何信息，但作者认识到...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值