![7b5fc4b8611cf2956ee868f8d53e830b.png](https://i-blog.csdnimg.cn/blog_migrate/657e412443425bc4083eef8a192cde18.jpeg)
这是我之前在泡泡机器人上推送的文章,同步发在这里,泡泡上的文章链接是
http://www.jintiankansha.me/t/qh9l9SITrX
论文题目:SuMa++:Efficient LiDAR-based Semantic SLAM
一、摘要
可靠的高精度定位和建图是自动驾驶系统的关键环节。除了高精度的几何信息以外,地图中还应该包含语义信息,以为载体的智能行为提供依据。但在实际环境中,移动物体的存在会使建图过程变得更加复杂,因为它会污染地图并影响定位效果。在这篇文章里,我们在传统基于曲面建图(surfelbased mapping)方法的基础上,增加语义信息的融合以解决上面提到的问题。语义信息的提取是通过神经网络完成的,该网络对点云中所有的点都给予类别标签,从而让我们在使用曲面建图时,得到的是带有标签的曲面。通过这种方法,不仅可以滤除动态物体,而且可以使用语义信息对里程估计进行约束,以提到地图精度。为了验证该方法的效果,我们使用KITTI数据集中的高速公路场景进行实验,结果表明,它的效果要优于传统的仅使用集合信息的方法。
二、主要贡献
1、对点云进行语义分割,根据语义信息识别动态物体,并在地图中去除。
2、把带有语义标签的物体进行数据关联,和几何信息一起建立约束关系