Kimera：从SLAM到基于三维动态场景图的空间感知

人类能够对其所处环境形成一个复杂的心智模型。该心智模型捕捉场景的几何与语义方面，在多个抽象层次（例如物体、房间、建筑）上描述环境，并包含静态与动态实体及其关系（例如某人在某时刻处于某房间内）。相比之下，当前机器人的内部表示仍提供对环境的部分且碎片化的理解，要么表现为稀疏或稠密的几何基元集合（例如点、线、平面、体素），要么表现为物体集合。本文试图通过引入一种新颖的表示——三维动态场景图（DSG）来缩小机器人与人类感知之间的差距，该图无缝捕捉动态环境的度量与语义方面。DSG是一种分层图，其中节点表示不同抽象层次上的空间概念，边表示节点间的时空关系。我们的第二个贡献是Kimera，首个从视觉-惯性数据全自动构建DSG的方法。Kimera包含用于视觉-惯性SLAM、度量-语义三维重建、物体定位、人体姿态与形状估计以及场景解析的先进技术方案。我们的第三个贡献是在真实数据集和照片级真实感模拟中对Kimera进行全面评估，包括一个新发布的数据集uHumans2，其模拟了一系列拥挤的室内外场景。我们的评估表明，Kimera在视觉-惯性SLAM中达到了最先进的性能，实时估计出准确的三维度量-语义网格模型，并在数分钟内构建出包含数十个物体和人物的复杂室内环境的DSG。我们最后的贡献展示了如何使用DSG进行实时分层语义路径规划。Kimera的核心模块是开源的。