基于图神经网络的因子化 3D 场景图中不确定性感知的高层次空间概念生成
机器人学
2026-02-17 v3 机器学习
摘要
使机器人能够从 3D 场景图中的原始几何观察(例如平面)中自主发现高层次空间概念(例如房间和墙壁)对于稳健的室内导航和映射至关重要。这些图提供了层次化的度量-语义表示，其中组织了此类概念。为进一步提高 graph-SLAM 性能，因子化 3D 场景图将这些概念作为约束相对几何并强制全局一致性的优化因子。然而，这一过程的两个阶段仍大多是手动的：概念通常是使用特定于概念的手工规则派生的，而因子及其协方差也是手工设计的。这种对手动规范的依赖限制了在多样化环境中的泛化能力，并限制了对新概念类的可扩展性。本文提出了一种新颖的基于学习的方法，该方法从观察到的垂直平面在线推断空间概念，并将其引入 SLAM 后端作为可优化因子，消除概念生成、因子设计和协方差规范的手工需求。我们在具有复杂布局的模拟环境中对该方法进行评估，通过 20.7% 的房间检测提高和 19.2% 的轨迹估计提高，并在真实施工现场进一步验证，其中房间检测提高 5.3%，地图匹配准确率提高 3.8%。结果表明，所学到的因子在 SLAM 系统中优于手工构建的因子，并为将这种方法扩展到新的空间概念提供了基础。
引用
@article{arxiv.2409.11972,
title = {Generation of Uncertainty-Aware High-Level Spatial Concepts in Factorized 3D Scene Graphs via Graph Neural Networks},
author = {Jose Andres Millan-Romera and Muhammad Shaheer and Miguel Fernandez-Cortizas and Martin R. Oswald and Holger Voos and Jose Luis Sanchez-Lopez},
journal= {arXiv preprint arXiv:2409.11972},
year = {2026}
}
备注
Submitted to IEEE Robotics and Automation Letters (RA-L)