Leveraging Semantic Graphs for Efficient and Robust LiDAR SLAM

要約

正確で堅牢な同時ローカリゼーションとマッピング（SLAM）は、環境の幾何学的特徴を活用することで通常達成される自律モバイルシステムにとって重要です。
セマンティクスを組み込むことで、SLAMのローカリゼーションの精度を高めるだけでなく、下流のナビゲーションと計画タスクの高度な認知機能を可能にするシーン表現が豊富にあります。
既存のポイントごとのセマンティックライダースラムメソッドは、多くの場合、効率性と一般化が不十分であるため、多様な現実世界のシナリオでは堅牢性が低下します。
この論文では、環境構造に固有の幾何学的、セマンティック、トポロジーの特性を効果的に活用するSG-SLAMという名前のセマンティックグラフ強化スラムフレームワークを提案します。
セマンティックグラフは、匂い測定障害中の堅牢な再局在化、正確なループ閉鎖、セマンティックグラフマップ構築など、スラムの重要な機能を促進する基本的なコンポーネントとして機能します。
私たちの方法では、1つのスレッドがオンライン臭気と再局在化に特化したデュアルスレッドアーキテクチャを採用していますが、もう1つのスレッドはループクロージャーを処理し、グラフの最適化をポーズをとり、マップの更新を処理します。
この設計により、当社の方法はリアルタイムで動作し、グローバルに一貫したセマンティックグラフマップとポイントクラウドマップを生成できます。
キッティ、ムルラン、アポロデータセット全体での方法を広範囲に評価し、結果は最新の方法と比較してその優位性を示しています。
私たちの方法は、https：//github.com/nubot-nudt/sg-slamでリリースされました。

要約(オリジナル)

Accurate and robust simultaneous localization and mapping (SLAM) is crucial for autonomous mobile systems, typically achieved by leveraging the geometric features of the environment. Incorporating semantics provides a richer scene representation that not only enhances localization accuracy in SLAM but also enables advanced cognitive functionalities for downstream navigation and planning tasks. Existing point-wise semantic LiDAR SLAM methods often suffer from poor efficiency and generalization, making them less robust in diverse real-world scenarios. In this paper, we propose a semantic graph-enhanced SLAM framework, named SG-SLAM, which effectively leverages the geometric, semantic, and topological characteristics inherent in environmental structures. The semantic graph serves as a fundamental component that facilitates critical functionalities of SLAM, including robust relocalization during odometry failures, accurate loop closing, and semantic graph map construction. Our method employs a dual-threaded architecture, with one thread dedicated to online odometry and relocalization, while the other handles loop closure, pose graph optimization, and map update. This design enables our method to operate in real time and generate globally consistent semantic graph maps and point cloud maps. We extensively evaluate our method across the KITTI, MulRAN, and Apollo datasets, and the results demonstrate its superiority compared to state-of-the-art methods. Our method has been released at https://github.com/nubot-nudt/SG-SLAM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google