语义slam_SLAM大牛开源SuMa ++基于语义激光雷达过滤动态物体提高定位精度

背景

语义信息在智能导航中也起着重要的作用。在现实环境中，由于存在动态目标，传统的基于环境几何的方法很难实现可靠、准确的定位和制图。这些传统的几何方法由于动态物体的存在和结构的变形，往往会产生位置偏移。

本文提出了一种新的基于语义信息的激光雷达SLAM系统，较好地解决了实际环境中的定位和映射问题。该系统通过对激光雷达点云进行语义分割，获得点云级密集语义信息，并将语义信息集成到激光雷达SLAM中，提高了激光雷达的定位和测绘精度。通过基于深度学习的卷积神经网络，我们的方法可以非常有效地对激光雷达“距离像”进行语义分割，并在语义上标记整个激光雷达点云。通过结合几何深度信息，进一步提高了语义分割的精度。基于带有语义标记的lidar点云，我们的方法能够构建一个具有语义信息和全局一致性的稠密surfel语义图。基于语义映射，该算法能够可靠地滤除动态目标，并通过语义约束进一步提高投影匹配ICP的姿态估计精度。我们使用KITTI数据集中的道路数据集和里程计来测试我们提出的语义SLAM系统。这个数据集(特别是基蒂高速公路数据集)包含了大量正在行驶的汽车。实验结果表明，本文提出的语义SLAM方法在实际动态环境中具有较高的定位精度和鲁棒性。我们的lidar语义SLAM系统是开源的。

相关工作

SLAM是机器人技术中的经典话题，很多文章涵盖了大量的相关学科知识。

在这里，我们主要专注于基于学习方法和动态场景的语义SLAM的相关知识。在深度学习和卷积神经网络(CNN)进行场景理解的推动下，有很多语义SLAM技术利用相机来利用这些信息，摄像机+ IMU数据，立体声摄像机或RGB-D传感器。

这些方法大多数仅在室内应用，并且使用对象检测器或摄像机图像的语义分割