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