面向类曼哈顿重复环境的拓扑建图

我们展示了一个面向具有挑战性的室内仓库场景的拓扑建图框架。在最抽象的层级，仓库被表示为一个拓扑图，其中图的节点代表特定的仓库拓扑构造（例如货架区、走廊），边表示两个相邻节点或拓扑之间存在路径。在中间层级，地图被表示为曼哈顿图，其节点和边具有曼哈顿特性，并在最细层级表示为位姿图。拓扑构造通过深度卷积网络学习，而拓扑实例间的关系属性通过连体式神经网络学习。在本文中，我们展示了保持拓扑图和曼哈顿图等抽象表示有助于从高度错误且未优化的位姿图恢复出准确的位姿图。我们展示了如何通过将拓扑与曼哈顿关系以及曼哈顿图辅助的回环闭合关系作为约束嵌入后端位姿图优化框架来实现这一点。在真实室内仓库场景上恢复出接近真值的位姿图，证明了所提框架的有效性。