2026《机器人SLAM系统中语义地图构建案例分析》6100字.docxVIP

机器人SLAM系统中语义地图构建案例分析

目录

TOC\o1-2\h\u31085机器人SLAM系统中语义地图构建案例分析 1

126091.1关键帧选择 1

197521.2动态场景下的视觉SLAM 2

121581.3语义地图构建 6

和传统的基于特征点的稀疏地图相比，语义地图包含更多的语义信息，可以告诉机器人观测到的东西是什么。这种包含语义信息的环境重构，就是语义地图。为了能够区分不同的实例，能够适用于高层的语义任务，本文构建了物体级的语义地图。在上一章中，已经基于DeepLab实现了单帧图像物体实例级别的分割，并采用结合深度信息的区域分割算法进行优化，根据点对特征计算出场景中物体的位姿，构建了一个单帧的语义标注器。但是在实际的室内场景中，摄像头在场景中进行移动，不断地获取图片并进行语义标注，由于神经网络可能存在的误分类问题，对于同一个物品在不同时刻的语义标注结果可能是不相同的；而且对同一个物品在不同位置采集的图片得到的三维实例分割的结果也不一定相同。因此，在构建语义地图的时候，每一帧图像经过语义标注之后，在插入地图更新地图的时候就需要解决语义信息在时间上和空间上的一致性问题。

1.1关键帧选择

对于SLAM系统来说，视觉传感器传入的图像数量非常多。如果算法对每一帧都进行地图构建工作，将极大地增加计算量。为了减少系统资源的消耗，SLAM系统通常会引入关键帧的机制，从图像序列中提取出更具有代表性的帧作为整个序列的关键帧ADDINEN.CITEEndNoteCiteAuthor陈世浪/AuthorYear2019/YearRecNum61/RecNumDisplayText[72]/DisplayTextrecordrec-number61/rec-numberforeign-keyskeyapp=ENdb-id=920tszs0qde9t5es0wcpz5tcr0tdefxt50t0timestamp=160943102161/key/foreign-keysref-typename=JournalArticle17/ref-typecontributorsauthorsauthor陈世浪/authorauthor吴俊君/author/authorstranslated-authorsauthorChenShilang/authorauthorW.U.Junjun/author/translated-authors/contributorsauth-address佛山科学技术学院机电工程学院,广东佛山,528225/auth-addresstitlestitle基于RGB-D相机的SLAM技术研究综述%J计算机工程与应用%JComputerEngineeringandApplications/title/titlespages30-39,126/pagesvolume55/volumenumber7/numberkeywordskeyword自主移动机器人/keywordkeyword同时定位与地图构建(SLAM)/keywordkeyword深度相机/keywordkeyword图像语义/keywordkeyword机器学习/keyword/keywordsdatesyear2019/year/datesisbn1002-8331/isbnurlsrelated-urlsurl/details/detail.do?_type=perioamp;id=jsjgcyyy201907005/url/related-urls/urlselectronic-resource-num10.3778/j.issn.1002-8331.1812-0148/electronic-resource-numremote-database-provider北京万方数据股份有限公司/remote-database-providerlanguagechi/language/record/Cite/EndNote[72]。ORB-SLAM2也采取选择关键帧的策略方法，其选取原则如下：

(1)地图初始化或者距离上一次重定位操作超过1s。

(2)局部地图构建线程闲置或距离上一次关键帧插入已超过1s。

(3)当前图像中提取到一定数量的特征点，且与最近的一个关键帧特征点重叠度不高。

这种方式是为了降低重复建图地可能性，减少资源消耗，同时，避免了过于稀疏地关键帧选择导致建图不完整。但这种选择策略主要是针对ORB-SLAM2设计的，并不完全适合本文算法的语义地图构建。在本文中，对ORB-SLAM2的关键帧序列进行了二次筛选。

对于关键帧序列，第一帧直接构建地图，后续的每一帧都需要满