El método de construcción de mapas semánticos estáticos basado en segmentación de instancias y eliminación dinámica de puntos
Autores: Li, Jingyu; Zhang, Rongfen; Liu, Yuhong; Zhang, Zaiteng; Fan, Runze; Liu, Wenjiang
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
El método de construcción de mapas semánticos estáticos basado en segmentación de instancias y eliminación dinámica de puntos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Información semántica
Contenido del entorno
Sistema SLAM
Objetos dinámicos
Mapa semántico estático
ORB-SLAM3
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
La información semántica generalmente contiene una descripción del contenido del entorno, lo que permite al robot móvil comprender el entorno y mejorar su capacidad de interactuar con el mismo. En aplicaciones de interacción humano-computadora de alto nivel, el sistema de Localización y Mapeo Simultáneo (SLAM) no solo necesita una mayor precisión y robustez, sino que también tiene la capacidad de construir un mapa semántico estático del entorno. Sin embargo, el SLAM visual tradicional carece de información semántica. Además, en una escena real, los objetos dinámicos reducirán el rendimiento del sistema y también generarán redundancia al construir el mapa. Todo esto afecta directamente la capacidad del robot para percibir y comprender el entorno circundante. Basándose en ORB-SLAM3, este artículo propone un nuevo algoritmo que utiliza información semántica y el flujo óptico denso global como restricciones para generar una máscara dinámica-estática y eliminar objetos dinámicos. Luego, para construir aún más un mapa semántico 3D estático en entornos dinámicos interiores, se lleva a cabo una fusión de información semántica 2D y nube de puntos 3D. Los resultados experimentales en diferentes tipos de secuencias de conjuntos de datos muestran que, en comparación con ORB-SLAM3 original, tanto el Error de Posición Absoluta (APE) como el Error de Posición Relativa (RPE) se han mejorado en diversos grados, especialmente en freiburg3-walking-xyz, el APE se redujo en un 97.78% desde el valor promedio original de 0.523, y el RPE se redujo en un 52.33% desde el valor promedio original de 0.0193. En comparación con DS-SLAM y DynaSLAM, nuestro sistema mejora el rendimiento en tiempo real mientras garantiza precisión y robustez. Al mismo tiempo, se construye el mapa esperado con información semántica ambiental, y se reduce con éxito la redundancia del mapa causada por objetos dinámicos. Los resultados de las pruebas en escenas reales demuestran aún más el efecto de construir mapas semánticos estáticos y demuestran la efectividad de nuestro algoritmo.
Descripción
La información semántica generalmente contiene una descripción del contenido del entorno, lo que permite al robot móvil comprender el entorno y mejorar su capacidad de interactuar con el mismo. En aplicaciones de interacción humano-computadora de alto nivel, el sistema de Localización y Mapeo Simultáneo (SLAM) no solo necesita una mayor precisión y robustez, sino que también tiene la capacidad de construir un mapa semántico estático del entorno. Sin embargo, el SLAM visual tradicional carece de información semántica. Además, en una escena real, los objetos dinámicos reducirán el rendimiento del sistema y también generarán redundancia al construir el mapa. Todo esto afecta directamente la capacidad del robot para percibir y comprender el entorno circundante. Basándose en ORB-SLAM3, este artículo propone un nuevo algoritmo que utiliza información semántica y el flujo óptico denso global como restricciones para generar una máscara dinámica-estática y eliminar objetos dinámicos. Luego, para construir aún más un mapa semántico 3D estático en entornos dinámicos interiores, se lleva a cabo una fusión de información semántica 2D y nube de puntos 3D. Los resultados experimentales en diferentes tipos de secuencias de conjuntos de datos muestran que, en comparación con ORB-SLAM3 original, tanto el Error de Posición Absoluta (APE) como el Error de Posición Relativa (RPE) se han mejorado en diversos grados, especialmente en freiburg3-walking-xyz, el APE se redujo en un 97.78% desde el valor promedio original de 0.523, y el RPE se redujo en un 52.33% desde el valor promedio original de 0.0193. En comparación con DS-SLAM y DynaSLAM, nuestro sistema mejora el rendimiento en tiempo real mientras garantiza precisión y robustez. Al mismo tiempo, se construye el mapa esperado con información semántica ambiental, y se reduce con éxito la redundancia del mapa causada por objetos dinámicos. Los resultados de las pruebas en escenas reales demuestran aún más el efecto de construir mapas semánticos estáticos y demuestran la efectividad de nuestro algoritmo.