面向 SLAM 的高层语义关系概念学习
机器学习
2024-03-25 v2 机器人学
摘要
近期关于 SLAM 的工作将其位姿图扩展为包含房间（Rooms）等更高层语义概念，并利用它们之间的关系，从而不仅提供更丰富的情境/环境表示，还提高其估计精度。具体而言，我们之前的工作 Situational Graphs（S-Graphs+）是联合利用因子优化过程中语义关系的先驱，其依赖于平面（Planes）和房间（Rooms）等语义实体，它们的关系在数学上被定义。然而，目前没有唯一的方法能找出低层因子图中对应于不同性质高层概念的所有隐藏模式。当前通过专用（ad-hoc）算法处理，这限制了其图的表达能力。为克服该限制，本文提出一种基于图神经网络（Graph Neural Networks）的算法，用于学习可从低层因子图推断出的高层语义关系概念。给定一组已建图平面，我们的算法能够推断出与平面相关的房间实体。此外，为展示方法的通用性，我们的算法还能推断出一种附加的语义关系概念，即墙（Wall），及其与平面的关系。我们在模拟与真实数据集上验证了方法，相比两种基线方法表现出更优性能。进一步地，我们将方法集成到 S-Graphs+ 算法中，相比基线提供了改进的位姿与地图精度，同时增强了场景表示。
引用
@article{arxiv.2310.00401,
title = {Learning High-level Semantic-Relational Concepts for SLAM},
author = {Jose Andres Millan-Romera and Hriday Bavle and Muhammad Shaheer and Martin R. Oswald and Holger Voos and Jose Luis Sanchez-Lopez},
journal= {arXiv preprint arXiv:2310.00401},
year = {2024}
}