面向可扩展稠密语义建图的贝叶斯空间核平滑
机器人学
2020-01-28 v2
摘要
本文通过将用于构建占据栅格地图（一个二值问题）的贝叶斯核推断模型推广到语义地图（一个多类问题），从含噪点云出发构建贝叶斯连续 3D 语义占据地图。所提方法为占据概率与语义概率提供了统一的 probabilistic 模型，并在所获测量中仅存在一个占据类时优雅地退化为原始占据建图框架。贝叶斯空间核推断放宽了独立栅格假设，为地图推断带来平滑性与连续性，从而能够利用环境中存在的局部相关性并提升性能。配套软件使用多线程与向量化，在笔记本电脑 CPU 上以约 2 Hz 运行。使用立体相机与 LiDAR 数据集的多条序列进行的评估表明，所提方法一致优于当前基线。我们还使用双足机器人平台在密歇根大学北校区采集的数据给出了定性评估。
引用
@article{arxiv.1909.04631,
title = {Bayesian Spatial Kernel Smoothing for Scalable Dense Semantic Mapping},
author = {Lu Gan and Ray Zhang and Jessy W. Grizzle and Ryan M. Eustice and Maani Ghaffari},
journal= {arXiv preprint arXiv:1909.04631},
year = {2020}
}