SuMa++: Efficient LiDAR-based Semantic SLAM

摘要和引言
- 摘要
- - 关键
  - 方法
  - 结果
- 引言
- - 关键工作
  - 过程
  - 主要贡献
结果和讨论
- 结果
- 下一步
- 讨论
方法和实验
- 概述
- 方法
- - A.Notation
  - B.Surfel-based Mapping
  - C.Semantic Segmentation
  - D.Refined Semantic Map
  - E.Filtering Dynamics using Semantics
  - F.Semantic ICP
- 实验
- - 验证
  - 配置
  - 数据集
如有错误，烦请斧正，不胜感激！

摘要和引言

摘要

关键

语义信息

方法

SuMa的扩展，融入语义信息，促进建图过程
语义信息由全卷积神经网络提取，并渲染在激光测距数据的球形投影上
计算出的语义分割结果可为整个扫描逐点生成标签，从而可以构建带标签的surfers的语义丰富的地图

结果

这个语义地图可让我们可靠地过滤动态对象，而且还可以通过语义约束来改进投影扫描匹配
我们对KITTI数据集高速公路sequence（带有很少的静态结构和大量的移动车辆）进行了实验评估，结果表明相比于最新技术的纯几何方法，我们的语义SLAM方法是有优势的

引言

语义信息很有必要

slam系统经常在高动态环境中操作
需要已建图区域的语义信息来启用智能导航行为

关键工作

提出了一种新的SLAM方法，该方法可以用三维激光测距扫描生成这类的语义地图
本方法利用了现代LiDAR SLAM pipeline的思想，并且包含由FCN进行语义分割后的语义信息
可生成高质量的语义地图，同时改善地图的几何形状和里程计的质量

过程

FCN为激光测距扫描的每个带你提供了类标签。

使用球面投影对点云进行高效处理
二维球面投影上的分类结果反投影到三维点云
但是反投影会引入伪影，我们通过两步侵蚀过程以及语义标签的基于深度的flood-fill来减少伪影
语义标签整合到基于surfel的地图表示，并加以利用，以更好地配准新观察数据和已构建地图
此外，在更新地图时，我们通过检查新观测数据与世界模型之间的语义一致性来使用语义过滤运动对象

用这种办法，我们降低了将动态对象融入地图的风险。

主要贡献

将语义信息整合进基于surfel的地图表示法中
利用语义标签过滤动态对象
总之，我们宣称
我们可以准确地在环境中建图，特别是在有许多移动对象的情况下；
我们可以获得比同一个建图系统更好的性能，只需移除一般环境中可能移动的物体，包括城市、乡村和公路场景。
我们对KITTI的具有挑战性的序列进行了实验性评估，并证明了与纯几何的基于surfel的建图和基于类标签删除所有潜在移动对象的建图相比，我们的语义surfel建图方法SuMa++的性能优越。

结果和讨论

结果

本文提出了一种新的方法来构建语义地图，该方法不需要任何相机数据，由基于激光的点云语义分割实现。
本方法利用扫描和地图之间的语义一致性来过滤出动态对象，并在ICP过程中提供更高级别的约束。

使我们能够成功地仅基于三维激光测距组合语义和几何信息，从而获得比纯几何方法更好的姿态估计精度

我们在KITTI Vision Benchmark数据集上评估我们的方法，结果显示与纯几何方法相比，我们的方法更有优势。

下一步

调查语义在回环检测中的用途
估计更细粒度的语义信息，例如车道结构或道路类型

讨论

在地图更新过程中，我们只对可移动对象的动态变化进行了惩罚，这意味着我们不会对语义上静态的对象进行惩罚。
本方法的局限性

不能在第一次观察中滤除动态对象。一旦在第一次扫描中有大量移动物体，本方法就会失败（因为无法估计合适的初始速度或位姿）

解决

通过在初始化期间删除所有可能移动的对象类型来解决此问题
但更鲁棒的方法是回溯由观察到的移动状态的变化而导致的变化，从而追溯更新地图

方法和实验

概述

方法

A.Notation

主要是位姿表示以及点云从局部坐标系转换到世界坐标系。

B.Surfel-based Mapping

SuMa首先在时间步长t处生成了点云P的球面投影，即所谓的顶点映射VDV_DVD，然后用VDV_DVD生成向量映射NDN_DND
稳定性对数比值（用二进制贝叶斯滤波器维持）用来判定一个surfel是否稳定

C.Semantic Segmentation

对于每一帧，我们用RangeNet++来预测每个点的语义标签，并且生成了一个语义映射SDS_DSD
RangeNet++在语义上分割了由每次激光扫描的投影生成的距离图像
传感器视角中逐点标签的可用性还可以将语义信息集成到地图中
我们为每个surfel添加推断的语义标签y和来源于语义分割的该标签的相应概率

D.Refined Semantic Map

由于投影输入和RangeNet++网络内降采样的副产品产生的类似斑点的输出，当将标签重新投影到地图时，我们必须处理语义标签的误差。

为了减小该误差，我们使用了flood-fill算法。

flood-fill算法

输入是RangeNet++生成的原始语义掩码SrawS_{raw}Sraw和相应的顶点映射VDV_DVD,输出是改进的语义掩码SDS_DSD。
考虑到预测对象边界不确定性比预测对象中心不确定性高，因此分为两步

腐蚀去除像素
先产生了腐蚀掩码SerodedrawS_{{eroded}_{raw}}Serodedraw，后将SerodedrawS_{{eroded}_{raw}}Serodedraw与顶点映射VDV_DVD生成的深度信息结合起来，填充腐蚀掩码SerodedrawS_{{eroded}_{raw}}Serodedraw。
如果对应点的距离是一致的，即小于阈值

SuMa++论文阅读相关推荐
1. 论文阅读：SuMa++
  论文阅读:SuMa++ 论文:<SuMa++: Efficient LiDAR-based Semantic SLAM> SuMa++是建立在SuMa基础上的方法,该方法使用了基于Ran ...
2. 语义激光SLAM论文阅读 Semantic Lidar_based SLAM paper Research
  语义激光SLAM论文阅读 Suma: Efficient Surfel-Based SLAM using 3D Laser Range Data in Urban Environments 主要工作 ...
3. 论文阅读工具ReadPaper
  对于搞科研的同学们来说,看论文是要经历的第一关,尤其是要读好多篇论文的时候,更是着实令人头大. 这不,最近无意中发现了个在线论文阅读网站:readpaper.com,号称「论文阅读笔记神器,硕博科研学 ...
4. 多目标跟踪：CVPR2019论文阅读
  多目标跟踪:CVPR2019论文阅读 Robust Multi-Modality Multi-Object Tracking 论文链接:https://arxiv.org/abs/1909.03850 ...
5. 快速人体姿态估计：CVPR2019论文阅读
  快速人体姿态估计:CVPR2019论文阅读 Fast Human Pose Estimation 论文链接: http://openaccess.thecvf.com/content_CVPR_201 ...
6. Action4D：人群和杂物中的在线动作识别：CVPR209论文阅读
  Action4D:人群和杂物中的在线动作识别:CVPR209论文阅读 Action4D: Online Action Recognition in the Crowd and Clutter 论文链接 ...
7. 深度学习点云语义分割：CVPR2019论文阅读
  深度学习点云语义分割:CVPR2019论文阅读 Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning 摘要本 ...
8. 3D目标检测论文阅读多角度解析
  3D目标检测论文阅读多角度解析一．前言 CNN(convolutional neural network)在目标检测中大放异彩,R-CNN系列,YOLO,SSD各类优秀的方法层出不穷在2D图像的目标 ...
9. 3D目标检测论文阅读摘要
  3D目标检测论文阅读摘要 2D Object Detection 的研究已经非常成熟了,代表作品有RPN系列的FasterRCNN,One Shot系列的YOLOv1-YOLOv3,这里推荐一个2D ...
最新文章
热门文章

SuMa++论文阅读