SuMA++论文重点总结

SuMA++:Efficient LiDAR-based Semantic SLAM

简介：

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建图时移动物体的问题。语义信息是通过神经网络完成，该网络给点云中的点添加标签，建图时得到的是带有标签的曲面，1、可以滤除动态物体 2、使用语义信息对里程计进行约束，提高建图的精度

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，从而提高建图精度

整体思路：

1. 通过网络对点云进行语义分割

使用RangeNet++方法。

1. 使用漫水填充方法消除错误的类别标签

由于网络对点云进行的语义分割必然包含正确分类和错误分类，而这里面的错误会对后续环节产生不好的影响，因此有必要对其进行消除。这一环节的主要流程如下图所示。

 

上图中左侧是右侧图中虚线框方法的部分，先对(a)中的错误识别结果进行剔除，得到(b)，然后利用周围的标签点云对他进行填充，得到(c)。最后(d)中显示的是(c)对应的深度图。

1. 使用滤波器进行动态物体检测，并移除动态物体

动态物体的识别是根据物体在同一位置出现的概率实现的。具体来讲，就是说如果在这一帧中，某个位置出现了物体，在下一帧中，它还在，如果连续很多帧它都出现在同一个位置，那么它就是静止的，反之，在每一帧中检测到的位置都发生变化，那么它就是移动的。当然，此处位置指的是地图中的位置，而不是相对于当前帧点云的位置。上面是为了方便理解采用的通俗的解释，实际算法实现是用下面的公式

 

这个公式其实和cartographer移除动态物体的公式很像

1. 建立带语义信息约束的ICP模型，优化里程计精度

我们知道ICP对两帧点云匹配其实就是让两帧点云对应点的距离达到最小，越小说明位姿估计的越准。但它仅使用几何信息，鲁棒性不是很好。此处作者为了改进这一问题，把语义信息也加入了ICP的数据关联当中，每一个物体对应一个关联关系，进行位姿估计时，除了点云要尽量接近，带语义标签的各个物体也要尽量接近。