Recurrent-OctoMap：基于学习的状态地图精化用于三维激光雷达数据的长期语义建图
机器人学
2018-07-31 v2 计算机视觉与模式识别
摘要
本文提出了一种从长期三维激光雷达数据学习的新型语义建图方法 Recurrent-OctoMap。大多数现有语义建图方法侧重于改进单帧的语义理解，而非语义地图的三维精化（即融合语义观测）。最广泛使用的三维语义地图精化方法是贝叶斯更新，它遵循马尔可夫链模型融合连续的预测概率。相反，我们提出一种学习方法以融合语义特征，而非简单地融合来自分类器的预测。在我们的方法中，我们将三维地图表示并维护为 OctoMap，并将每个单元建模为循环神经网络（RNN），从而得到 Recurrent-OctoMap。在此情形下，语义建图过程可表述为序列到序列的编码-解码问题。此外，为了延长我们 Recurrent-OctoMap 中观测的持续时间，我们开发了一个鲁棒的三维定位与建图系统，使用超过两周的数据连续地对动态环境进行建图，并且该系统可以以任意记忆长度进行训练和部署。我们在 ETH 长期三维激光雷达数据集 [1] 上验证了我们的方法。实验结果表明，我们提出的方法优于传统的“贝叶斯更新”方法。
引用
@article{arxiv.1807.00925,
title = {Recurrent-OctoMap: Learning State-based Map Refinement for Long-Term Semantic Mapping with 3D-Lidar Data},
author = {Li Sun and Zhi Yan and Anestis Zaganidis and Cheng Zhao and Tom Duckett},
journal= {arXiv preprint arXiv:1807.00925},
year = {2018}
}
备注
Accepted by IEEE Robotics and Automation Letters RA-L, 2018