摘要

可靠、準(zhǔn)確的定位和建圖是大多數(shù)自動(dòng)駕駛系統(tǒng)的關(guān)鍵組件.除了關(guān)于環(huán)境的幾何信息之外,語(yǔ)義對(duì)于實(shí)現(xiàn)智能導(dǎo)航行為也起著重要的作用.在大多數(shù)現(xiàn)實(shí)環(huán)境中,由于移動(dòng)對(duì)象引起的動(dòng)態(tài)變化,這一任務(wù)特別復(fù)雜,這可能會(huì)破壞定位.我們提出一種新的基于語(yǔ)義信息的激光雷達(dá)SLAM系統(tǒng)來(lái)更好地解決真實(shí)環(huán)境中的定位與建圖問(wèn)題.通過(guò)集成語(yǔ)義信息來(lái)促進(jìn)建圖過(guò)程,從而利用三維激光距離掃描.語(yǔ)義信息由全卷積神經(jīng)網(wǎng)絡(luò)有效提取,并呈現(xiàn)在激光測(cè)距數(shù)據(jù)的球面投影上.這種計(jì)算的語(yǔ)義分割導(dǎo)致整個(gè)掃描的點(diǎn)狀標(biāo)記,允許我們用標(biāo)記的表面構(gòu)建語(yǔ)義豐富的地圖.這種語(yǔ)義圖使我們能夠可靠地過(guò)濾移動(dòng)對(duì)象,但也通過(guò)語(yǔ)義約束改善投影掃描匹配.我們對(duì)極少數(shù)靜態(tài)結(jié)構(gòu)和大量移動(dòng)車(chē)輛的KITTI數(shù)據(jù)集進(jìn)行的具有挑戰(zhàn)性的公路序列的實(shí)驗(yàn)評(píng)估表明,與純幾何的、最先進(jìn)的方法相比,我們的語(yǔ)義SLAM方法具有優(yōu)勢(shì).

介紹

對(duì)大多數(shù)自動(dòng)駕駛車(chē)輛來(lái)說(shuō),精確定位和對(duì)未知環(huán)境的可靠測(cè)繪是基礎(chǔ).此類(lèi)系統(tǒng)通常在高度動(dòng)態(tài)的環(huán)境中運(yùn)行,這使得生成一致的地圖更加困難.此外需要關(guān)于建圖區(qū)域的語(yǔ)義信息來(lái)實(shí)現(xiàn)智能導(dǎo)航行為.例如自動(dòng)駕駛汽車(chē)必須能夠可靠地找到合法停車(chē)的位置,或者在乘客可能安全離開(kāi)的地方靠邊停車(chē)——即使是在從來(lái)沒(méi)有看到過(guò)的地方,因此以前沒(méi)有準(zhǔn)確地圖.

本文的主要貢獻(xiàn)是將語(yǔ)義集成到基于表面的地圖表示中的方法,以及利用這些語(yǔ)義標(biāo)簽過(guò)濾動(dòng)態(tài)對(duì)象的方法.總之,我們聲稱(chēng)我們能夠準(zhǔn)確地繪制環(huán)境地圖,尤其是在有大量移動(dòng)對(duì)象的情況下,并且我們能夠?qū)崿F(xiàn)比相同的建圖系統(tǒng)更好的性能,簡(jiǎn)單地移除一般環(huán)境中可能移動(dòng)的對(duì)象,包括城市、農(nóng)村和高速公路場(chǎng)景.我們?cè)贙ITTI的挑戰(zhàn)序列上實(shí)驗(yàn)性地評(píng)估了我們的方法,并顯示了與純粹基于幾何表面的建圖和基于類(lèi)標(biāo)簽移除所有潛在移動(dòng)對(duì)象的建圖相比,我們的語(yǔ)義表面建圖方法SuMa++的優(yōu)越性能.

實(shí)驗(yàn)評(píng)估

我們使用來(lái)自KITTI的數(shù)據(jù)評(píng)估我們的方法,其中我們使用由Velodyne HDL-64E S2以10Hz的速率記錄生成的提供的點(diǎn)云.為了評(píng)估里程計(jì)的性能,數(shù)據(jù)集建議計(jì)算在不同位姿之間的不同距離上平均的平移和旋轉(zhuǎn)的相對(duì)誤差,并對(duì)其進(jìn)行平均.地面真實(shí)位姿是使用來(lái)自慣性導(dǎo)航系統(tǒng)的姿態(tài)信息生成的.

在下文中,我們將我們提出的方法(由SuMa++表示)與原始的基于surfel的建圖(由SuMa表示)進(jìn)行比較,并將SuMa與刪除語(yǔ)義分割(由SuMa nomovable表示)給出的所有可移動(dòng)類(lèi)(汽車(chē)、公共汽車(chē)、卡車(chē)、自行車(chē)、摩托車(chē)、其他車(chē)輛、人、騎自行車(chē)的人、摩托車(chē)手)的簡(jiǎn)單方法進(jìn)行比較.

語(yǔ)義分割的RangeNet++是使用逐點(diǎn)注釋[1]使用KITTI里程計(jì)基準(zhǔn)的所有訓(xùn)練序列進(jìn)行訓(xùn)練的，這些標(biāo)記可用于訓(xùn)練目的。這包括序列00至10，但序列08除外，該序列未進(jìn)行驗(yàn)證。

RangeNet++平均需要75毫秒來(lái)為每次掃描生成逐點(diǎn)標(biāo)簽,surfer-mapping平均需要48毫秒,但在某些情況下,我們最多需要190毫秒來(lái)集成循環(huán)閉包(在具有多個(gè)閉環(huán)的訓(xùn)練集序列00上).

 1    KITTI Road Sequences

第一個(gè)實(shí)驗(yàn)旨在展示我們的方法能夠生成一致的地圖,即使在有許多移動(dòng)對(duì)象的情況下.我們顯示了KITTI的原始數(shù)據(jù)道路類(lèi)別的序列結(jié)果.請(qǐng)注意,這些序列不是里程計(jì)基準(zhǔn)的一部分,因此沒(méi)有提供標(biāo)簽對(duì)于語(yǔ)義分割,這意味著我們的網(wǎng)絡(luò)學(xué)會(huì)了推斷道路駕駛場(chǎng)景的語(yǔ)義類(lèi)別,而不是簡(jiǎn)單的記憶.這些序列,尤其是高速公路序列,對(duì)SLAM方法來(lái)說(shuō)是具有挑戰(zhàn)性的,因?yàn)檫@里大多數(shù)物體都是移動(dòng)的汽車(chē).此外路邊只有稀疏的明顯特征,如交通標(biāo)志或電線桿.建筑角或其他更有特色的特征不可用于指導(dǎo)注冊(cè)過(guò)程.在這種情況下,在不斷移動(dòng)的異常值上的錯(cuò)誤對(duì)應(yīng)(如交通堵塞中的汽車(chē))通常會(huì)導(dǎo)致錯(cuò)誤估計(jì)的姿態(tài)變化,因此生成的地圖不一致.

圖6顯示了用SuMa和提出的SuMa++生成的示例.在純幾何方法的情況下,我們清楚地看到姿態(tài)無(wú)法正確估計(jì),因?yàn)橥怀鲲@示的交通標(biāo)志出現(xiàn)在不同的位置,導(dǎo)致很大的不一致.在我們提出的方法中,我們能夠正確地過(guò)濾移動(dòng)的汽車(chē),相反,我們生成一致的地圖,如突出顯示的交通標(biāo)志.在這個(gè)例子中,我們還繪制了SuMa和SuMa++的里程計(jì)結(jié)果的相對(duì)平移誤差.圓點(diǎn)代表每個(gè)時(shí)間戳中的相對(duì)平移誤差,曲線是給定圓點(diǎn)的多項(xiàng)式擬合結(jié)果.它表明SuMa++在這樣一個(gè)具有挑戰(zhàn)性的環(huán)境中實(shí)現(xiàn)了更準(zhǔn)確的姿態(tài)估計(jì),其中許多異常值是由移動(dòng)對(duì)象引起的.

表1顯示了相對(duì)平移和相對(duì)旋轉(zhuǎn)誤差,圖7顯示了在數(shù)據(jù)集的這一部分測(cè)試的不同方法的相應(yīng)軌跡.一般來(lái)說(shuō),我們看到我們提出的方法SuMa++生成了更一致的軌跡,并且在大多數(shù)情況下實(shí)現(xiàn)了比SuMa更低的平移誤差.與僅僅移除所有可能移動(dòng)的對(duì)象的基線相比,SuMa是不可移動(dòng)的,與SuMa++相比,我們看到非常相似的性能.這證實(shí)了SuMa在這種情況下性能更差的主要原因是由實(shí)際移動(dòng)的對(duì)象引起的不一致.然而我們將在接下來(lái)的實(shí)驗(yàn)中表明,移除所有潛在的移動(dòng)對(duì)象也會(huì)對(duì)城市環(huán)境中的姿態(tài)估計(jì)性能產(chǎn)生負(fù)面影響.

 2    KITTI Odometry Benchmark

第二個(gè)實(shí)驗(yàn)旨在表明，與簡(jiǎn)單地從觀察中移除某些語(yǔ)義類(lèi)相比，我們的方法表現(xiàn)更好。該評(píng)估在KITTI里程計(jì)基準(zhǔn)上進(jìn)行

表2表示相對(duì)平移和相對(duì)旋轉(zhuǎn)誤差。IMLS-SLAM和Loam是基于激光雷達(dá)的最先進(jìn)的SLAM方法。在大多數(shù)序列中，我們可以看到SuMa++的性能與最先進(jìn)的。更有趣的是，基線方法有不可解決的分歧，尤其是在城市場(chǎng)景中.

這可能是反直覺(jué)的，因?yàn)檫@些環(huán)境包含大量的人造結(jié)構(gòu)和其他更有特色的特征。但是，有兩個(gè)原因?qū)е铝诉@種糟糕的性能，當(dāng)人們查看結(jié)果和發(fā)生映射錯(cuò)誤的場(chǎng)景的配置時(shí)，就會(huì)明白這一點(diǎn)。首先，即使我們?cè)噲D改善語(yǔ)義分割的結(jié)果，也有錯(cuò)誤的預(yù)測(cè)導(dǎo)致地圖中實(shí)際上是靜態(tài)的表面元素被移除。第二，移除停放的汽車(chē)是個(gè)問(wèn)題，因?yàn)檫@些是對(duì)齊掃描的好的和獨(dú)特的特征。這兩種效果都有助于使表面貼圖更稀疏。這一點(diǎn)更為關(guān)鍵，因?yàn)橥７诺钠?chē)是唯一與眾不同或可靠的特征。總之，簡(jiǎn)單地刪除某些類(lèi)至少在我們的情況下是次優(yōu)的，并且會(huì)導(dǎo)致更差的性能

為了評(píng)估我們的方法在未知軌跡上的性能，我們上傳了未知KITTI測(cè)試序列的服務(wù)器端評(píng)估結(jié)果，因此測(cè)試集上的參數(shù)調(diào)整是不可能的。因此，這可以很好地代表我們方法的實(shí)際性能。在測(cè)試組中，我們獲得了0.0032度/米的平均旋轉(zhuǎn)誤差和1.06%的平均平移誤差，與原始SuMa的0.0032度/米和1.39%相比，這是平移誤差方面的改進(jìn)

其他結(jié)果

結(jié)論

在本文中，我們提出了一種新的方法來(lái)建立語(yǔ)義地圖,使基于激光的語(yǔ)義分割點(diǎn)云不需要任何相機(jī)數(shù)據(jù). 我們利用這一信息來(lái)提高姿態(tài)估計(jì)的準(zhǔn)確性,特別是我們的方法利用掃描和地圖之間的語(yǔ)義一致性來(lái)過(guò)濾掉動(dòng)態(tài)對(duì)象,并在比較方案過(guò)程中提供更高級(jí)別的約束.這使得我們能夠僅基于三維激光距離掃描成功地組合語(yǔ)義和幾何信息,以實(shí)現(xiàn)比純幾何方法更好的姿態(tài)估計(jì)精度.我們?cè)贙ITTI Vision基準(zhǔn)數(shù)據(jù)集上評(píng)估了我們的方法,顯示了我們的方法與純幾何方法相比的優(yōu)勢(shì).