面向大规模语义SLAM的概率数据关联
机器人学
2022-02-28 v1 系统与控制
系统与控制
摘要
随着图像处理和机器学习的进步，将语义信息纳入同时定位与地图构建（SLAM）问题已成为可行。此前，SLAM 使用较低层次的几何特征（点、线、面）进行，这些特征往往依赖于视角，并且在视觉重复环境中容易出错。语义信息能够提升识别已访问位置的能力，并为长期 SLAM 应用维持更稀疏的地图。然而，在重复环境中 SLAM 面临一个关键问题，即如何将观测分配给生成它们的路标。在本文中，我们使用 k-best 分配枚举来实时计算每个观测-路标对的边缘分配概率。我们在 KITTI 数据集上给出了数值研究，以证明所提出框架的有效性与速度。
引用
@article{arxiv.2202.12802,
title = {Probabilistic Data Association for Semantic SLAM at Scale},
author = {Elad Michael and Tyler Summers and Tony A. Wood and Chris Manzie and Iman Shames},
journal= {arXiv preprint arXiv:2202.12802},
year = {2022}
}
备注
6 Pages, 3 figures, submitted to Robotics and Automation Letters and the IROS 2020 conference