为了描述不同物体间的关系,文章构建了语义拓扑图和基于此的随机游走描述子。

1. 拓扑图:通过物体的语义标签、位置、姿态和尺寸信息,构建不同物体及物体与情景的关系图:

表示物体节点,编码物体信息

表示边,编码两个物体的距离d和角度α

1. 描述子:基于拓扑图中不同物体间的关系,采用随机游走的方式构建物体描述子υ:

r是一个随机行走路径,起始于被描述的物体,最多到达i个物体。每行重复j次随机行走。

1. 多维度信息:为了提高鲁棒性,描述子中考虑物体标签l、尺寸s、距离d和角度α四个维度:

4. 场景匹配:基于多个物体对的描述子匹配,求解两个情景的转换矩阵T:

·  生成两个情景T1和T2的描述子V1和V2。

·  对每个对象v1在V1中找到在V2中的最佳匹配v2。

·  根据多个物体对,利用奇异值分解(SVD)求解转换矩阵T。

1. 鲁棒性:采用RANSAC算法去除误匹配物体对,提高匹配的鲁棒性。总的来说,基于拓扑图实现的物体描述子充分利用了物体的语义、尺寸和相对关系,能有效实现不同视角下的场景匹配。考虑更多非物体的语义特征可能进一步提高鲁棒性和准确性。

1. 数据关联:实验结果表明,集成不同统计模型超过单一方法。表明点云和质心确实呈现非高斯分布和高斯分布。

2. 对象参数化: 实验结果表明, iForest和线段对齐有效实现精确的6DOF姿态估计。并构建了基于形状的通用对象模型

3. 对象地图构建:可在不同数据集上构建语义对象地图,处理不同类、数量、尺寸和方位角的物体。实验表明系统的鲁棒性。

4. 增强现实:基于精确的物体姿态信息,实现虚拟模型与实物精准配准。考虑遮挡和碰撞效果,提高虚拟可信度。

5. 场景匹配:基于物体描述子,可在不同视角和照明条件下实现场景匹配和多地图融合。具有鲁棒性。

6. 主动地图构建:通过信息熵量化物体观测完整度,驱动主动建设语义对象地图。实验表明比随机探索和全面覆盖策略更高效和更准确。

7. 机器人抓取:基于语义对象地图信息,实现机器人抓握。在虚拟环境和实际环境下的成功率分别达到86%和81%。

局限性:数据关联在极端情况下存在问题;对象姿态估计受离群点影响而不准确;场景匹配依赖精确的对象建模。改进方向:优化数据关联鲁棒性;采用机器学习提高姿态估计精度;构建更通用的物体描述子;采用多源感知实现全景对象地图。

总的来说,实验结果充分证明了对象SLAM框架在不同应用上的有效性和潜力。同时指出了当前的局限性和未来的改进方向。这对促进对象SLAM技术的发展至关重要。

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。