ShelfAware：低成本传感器在准静态环境中的实时视觉-惯性语义定位

许多室内工作空间是准静态的：全局布局稳定但局部语义持续变化，产生重复的几何结构、动态杂乱和感知噪声，从而击败基于视觉的定位。我们提出了ShelfAware，一个用于鲁棒全局定位的语义粒子滤波器，它将场景语义视为对象类别上的统计证据而非固定地标。ShelfAware融合深度似然与类别中心的语义相似性，并使用预计算的语义视点库在MCL内部执行逆语义提议，从而实现快速、有针对性的假设生成，硬件仅需低成本视觉传感器。在涵盖四种条件（手推车安装、穿戴式、动态障碍物和稀疏语义）的100次全局定位试验中，ShelfAware在语义密集的零售环境中实现了96%的成功率（相比之下，MCL为22%，AMCL为10%），平均收敛时间为1.91秒，在所有条件下获得了最低的平移RMSE，并在80%的测试序列中保持稳定跟踪，所有这些均在消费级笔记本电脑平台上实时运行。通过在类别层面分布式地建模语义并利用逆提议，ShelfAware解决了准静态领域中常见的几何歧义和语义漂移。由于该方法仅需视觉传感器和VIO，它可作为移动机器人在仓库、实验室和零售环境中的无基础设施构建模块；作为一个代表性应用，它还支持为视障人士创建提供随时启动、共享控制的辅助导航设备。