利用语义场所分类改进条件与环境不变的场所识别

场所识别问题包含两个不同的子问题：识别世界中的特定位置（“特定”或“普通”场所识别）以及识别场所的类型（场所分类）。两者都是移动机器人的重要能力，并在机器人学和计算机视觉领域各自受到广泛关注，但通常作为独立的研究方向。本文利用场所识别与场所分类过程强大的互补性，构建了一个新的混合场所识别系统，利用场所上下文来辅助场所识别。我们表明，语义场所分类创建了物理空间的信息性自然分割，从而使得场所识别性能相比现有技术有显著提升。特别是，这种新的语义信息方法增强了对环境中显著局部变化的鲁棒性，例如室内与室外环境之间的过渡，或房屋内暗室与亮室之间的切换，补充了当前对全局一致变化（如昼夜循环）具有鲁棒性的条件不变技术的功能。我们使用4个基准数据集和新数据集进行了实验，并表明语义信息场所识别优于先前最先进的系统。正如语义信息对物体识别的作用[1]一样，我们相信语义信息可以在提升机器人系统传统场所识别与导航性能方面发挥关键作用。