前文提要
【论文阅读笔记】Past, Present, and Future of Simultaneous Localization and Mapping
承接上一篇文章,我们从宏观的SLAM大概念在时间历史发展维度上定位今天的研究世代,然后在诸多宽泛的研究领域定位了语义SLAM的位置。那么今天我们就来具体讨论语义SLAM。
文章目录
语义SLAM概念阐述
我们计算机视觉领域里面,语义分析和SLAM都是很传统的研究方向,单独的去看这两者,语义分析是从内容层面的感知,SLAM技术是从几何层面帮助机器人感知环境。传统的SLAM问题可以解决机器人定位的问题,但是无法达到对环境内容层面的高级理解。
语义和SLAM看似是两个独立的模块,实则不然。在很多应用中,二者相辅相成。一方面,语义信息可以帮助SLAM提高建图和定位的精度,特别是对于复杂的动态场景。传统SLAM的建图和定位多是基于像素级别的几何匹配。借助语义信息,我们可以将数据关联从传统的像素级别升级到物体级别,提升复杂场景下的精度。另一方面,借助SLAM技术计算出物体之间的位置约束,可