Place Categorization and Semantic Mapping on a Mobile Robot 移动机器人地点分类和语义建图

本博客仅为作者记笔记之用，不对之处，望见谅，欢迎批评指正。
更多相关博客请查阅：http://blog.csdn.net/weixin_39779106
如需转载，请附上本文链接：http://blog.csdn.net/weixin_39779106/article/details/78927089

原论文链接

摘要：

1. 在没有专门针对不同环境进行训练的情况下，实现了机器人地点分类和语义建图。通过利用一系列可以在线学习新语义类别的分类器克服了传统卷积神经网络集合封闭的局限性。

2.通过将分类器嵌入到贝叶斯滤波框架从而使得先验知识得以合并，这样做同时保证了实践上的一致性。

3.通过机器人实时对校园环境进行语义建图来评估其精度，同时展示了语义信息如何提高机器人对目标检测的性能，以及如何在导航中对机器人的运动进行调节。

4.本文所提出的系统已经在ROS上开源。

创新点：

1.提出可转移性（Transferable）和可扩展性（expandable）的语义地点识别。其中，可转移性是指不需要专门针对环境的训练，直接利用现成的用于地点分类的ConvNet；可扩展性是指利用一对多的分类器实现在线学习和添加新的分类器，从而克服了传统计算机领域卷积神经网络训练集合封闭的局限。

2.区别于传统计算机领域仅对单幅图像进行处理，本文针对机器人可以利用连续时间序列图像流的特点，实现对错误分类进行更正，并实时更新先验知识。

3.解决了传统卷积神经网络训练集合封闭的局限性。

4.将单帧匹配和连续帧匹配相结合，提高了分类精度。

5.将地点分类和语义建图相结合，并利用机器人在室内外场景中进行了实现。

6.语义建图能够提高物体检测和识别的准确性，同时能用来调整机器人的行为。

系统结构：

1.一个卷积神经网络对每一幅图像进行分类。

2.一对多分类器识别该网络没有训练过的场景。

3.一个贝叶斯滤波器利用时间一致性并消除虚假的分类。

4.一个建图子系统，增量式的构建语义地图。

其他重点：

1.计算机领域和机器人领域除了对算法实时性的要求不同以外，还存在着closed-set假设的区别。在计算机视觉领域中，往往所有类别在训练的时候就是已知的，而在机器人视觉领域，为了能够实现长时间运行（life-long operation）以及长期自主（long-term autonomy），机器人所面对的场景类别往往随着时间而增加，因此能够扩展出新的分类对于机器人识别任务而言是十分重要的。

2.利用贝叶斯滤波将地点分类问题转化成一个概率估计问题，利用到目前为止的所有图片估计出所有可能的语义标注的离散概率分布，假设该问题具有一阶马尔科夫性，则可以以下著名的贝叶斯滤波公式（ 如果图片加载不了请参看论文公式（3））：

3. 通过利用贝叶斯滤波可以很自然地融合其他的资源，例如某一场景本不可能在机器人所探索的场景中出现，但其概率分布可作为先验的一部分（这也许能够指导提高深度学习的泛化能力） （如果图片加载不了请参看论文公式（4））