Nicht nur schauen, sondern ableiten: Multiple Hypothesen-Clustering der Datenassoziation für semantisches SLAM

In der semantischen visuellen gleichzeitigen Lokalisierung und Kartierung (VSLAM) ist die genaue Datenassoziation von semantischen Messungen von visuellen Sensoren für die Schätzung des Roboterszustands und die Szenenrekonstruktion von entscheidender Bedeutung. Die meisten der verwandten Arbeiten gehen jedoch von einer einfachen Welt für die semantische Assoziation aus. Es ist nach wie vor eine Herausforderung, mit der Mehrdeutigkeit der Datenassoziation in einer unordentlichen Umgebung umzugehen. In diesem Artikel schlagen wir einen neuartigen Ansatz vor, um die Unsicherheit der Datenassoziation durch den Multiple Hypothesis Dirichlet Process (MHDP) zu reduzieren. Die posteriori Verteilung der Datenassoziation wird zunächst durch den Dirichlet-Prozess (DP) abgeleitet. Mehrdeutige Assoziationen aus der Verteilung werden durch einen Hypothesebaum angegangen, und ein hypothesenbasiertes Urteil über Mehrdeutigkeit wird dann für jede Objektmessung vorgeschlagen, um eine Strategie für das Wachstum der Hypothesenbäume bereitzustellen. Darüber hinaus wird der vorgeschlagene Datenassoziationsansatz in einen geometrisch basierten SLAM-System in einer eng gekoppelten Weise integriert. Die qualitative und quantitative Bewertung von simulierten und realen öffentlichen Datensätzen zeigt die Robustheit und Effektivität unseres Ansatzes im Vergleich zu anderen Datenassoziationsmethoden und dem modernsten SLAM-System.