通过本地与云端计算增强环境图表示

丰富机器人对作业环境的表示是一项具有挑战性的任务，旨在弥合底层传感器读数与高层语义理解之间的鸿沟。拥有丰富的表示通常要求计算密集的架构以及纯点云检测系统，而后者在处理机器人需操作的日常物体时表现不佳。为克服这些问题，我们提出一种基于图的表示，通过提供来自多源的机器人环境语义表示来弥补这一鸿沟。事实上，为从环境中获取信息，该框架将经典计算机视觉工具与现代计算机视觉云服务相结合，确保了机载硬件上的计算可行性。通过引入包含超过 800 个对象类的本体层次结构，该框架实现了跨领域适应性，免除了对特定环境工具的需求。所提方法还使我们能够处理小物体并将其整合进环境的语义表示中。该方法在机器人操作系统（ROS）中实现，并使用 RViz 可视化工具进行环境表示。本工作是开发通用框架以促进跨领域直观交互与导航的第一步。