為了描述不同物體間的關系,文章構建了語義拓撲圖和基于此的隨機游走描述子。

1. 拓撲圖:通過物體的語義標簽、位置、姿態和尺寸信息,構建不同物體及物體與情景的關系圖:

表示物體節點,編碼物體信息

表示邊,編碼兩個物體的距離d和角度α

1. 描述子:基于拓撲圖中不同物體間的關系,采用隨機游走的方式構建物體描述子υ:

r是一個隨機行走路徑,起始于被描述的物體,最多到達i個物體。每行重復j次隨機行走。

1. 多維度信息:為了提高魯棒性,描述子中考慮物體標簽l、尺寸s、距離d和角度α四個維度:

4. 場景匹配:基于多個物體對的描述子匹配,求解兩個情景的轉換矩陣T:

·  生成兩個情景T1和T2的描述子V1和V2。

·  對每個對象v1在V1中找到在V2中的最佳匹配v2。

·  根據多個物體對,利用奇異值分解(SVD)求解轉換矩陣T。

1. 魯棒性:采用RANSAC算法去除誤匹配物體對,提高匹配的魯棒性。總的來說,基于拓撲圖實現的物體描述子充分利用了物體的語義、尺寸和相對關系,能有效實現不同視角下的場景匹配。考慮更多非物體的語義特征可能進一步提高魯棒性和準確性。

1. 數據關聯:實驗結果表明,集成不同統計模型超過單一方法。表明點云和質心確實呈現非高斯分布和高斯分布。

2. 對象參數化: 實驗結果表明, iForest和線段對齊有效實現精確的6DOF姿態估計。并構建了基于形狀的通用對象模型

3. 對象地圖構建:可在不同數據集上構建語義對象地圖,處理不同類、數量、尺寸和方位角的物體。實驗表明系統的魯棒性。

4. 增強現實:基于精確的物體姿態信息,實現虛擬模型與實物精準配準。考慮遮擋和碰撞效果,提高虛擬可信度。

5. 場景匹配:基于物體描述子,可在不同視角和照明條件下實現場景匹配和多地圖融合。具有魯棒性。

6. 主動地圖構建:通過信息熵量化物體觀測完整度,驅動主動建設語義對象地圖。實驗表明比隨機探索和全面覆蓋策略更高效和更準確。

7. 機器人抓取:基于語義對象地圖信息,實現機器人抓握。在虛擬環境和實際環境下的成功率分別達到86%和81%。

局限性:數據關聯在極端情況下存在問題;對象姿態估計受離群點影響而不準確;場景匹配依賴精確的對象建模。改進方向:優化數據關聯魯棒性;采用機器學習提高姿態估計精度;構建更通用的物體描述子;采用多源感知實現全景對象地圖。

總的來說,實驗結果充分證明了對象SLAM框架在不同應用上的有效性和潛力。同時指出了當前的局限性和未來的改進方向。這對促進對象SLAM技術的發展至關重要。