结合语义信息与3D点云技术的未知环境地图构建方法

目的 机器人在进行同时定位与地图构建（simultaneous localization and mapping，SLAM）时需要有效利用未知复杂环境的场景信息，针对现有SLAM算法对场景细节理解不够及建图细节信息缺失的问题，本文构造出一种将SLAM点云定位技术与语义分割网络相结合的未知环境地图构建方法，实现高精度三维地图重建。方法 首先，利用场景的实时彩色信息进行相机的位姿估计，并构造融合空间多尺度稀疏及稠密特征的深度学习网络HieSemNet（hierarchical semantic network），对未知场景信息进行语义分割，得到场景的实时二维语义信息；其次，利用深度信息和相机位姿进行空间点云估计，并将二维语义分割信息与三维点云信息融合，使语义分割的结果对应到点云的相应空间位置，构建出具有语义信息的高精度点云地图，实现三维地图重建。结果 为验证本文方法的有效性，分别针对所构造的HieSemNet网络和语义SLAM系统进行验证实验。实验结果表明，本文的网络在平均像素准确度和平均交并比上均取得了较好的精度，MPA（mean pixel accuracy）指标相较于其他网络分别提高了17.47%、11.67%、4.86%、2.90%和0.44%，MIoU（mean intersection over union）指标分别提高了13.94%、1.10%、6.28%、2.28%和0.62%。本文的SLAM算法可以获得更多的建图信息，构建的地图精度和准确度都更好。结论 本文方法充分考虑了不同尺寸物体的分割效果，提出的HieSemNet网络能有效提高场景语义分割准确性，此外，与现有的前沿语义SLAM系统相比，本文方法能够明显提高建图的精度和准确度，获得更高质量的地图。

The 3D point cloud based semantic information-relevant map construction method for unrecognized scenario