非结构化环境中的证据语义建图：基于不确定性感知的贝叶斯核推断

基于贝叶斯核推断（BKI）的机器人建图方法通过有效利用局部空间信息，在创建语义地图方面展现出潜力。然而，现有的语义建图方法在非结构化室外场景中，由于不可靠的语义预测，面临着构建可靠地图的挑战。为解决此问题，我们提出了一种证据语义建图方法，该方法能够增强在感知上具有挑战性的非地面环境中的可靠性。我们将证据深度学习集成到语义分割网络中，以获得语义预测的不确定性估计。随后，这种语义不确定性被纳入一个不确定性感知的 BKI 中，该 BKI 专门设计用于在累积语义信息时优先考虑更置信的语义预测。通过自适应地处理语义不确定性，所提出的框架即使在先前未见过的环境中也能构建出对周围环境的鲁棒表征。在多个非地面数据集上的综合实验表明，我们的框架提高了准确性和鲁棒性，在感知不确定性高的场景中始终优于现有方法。