文章：SSC: Semantic Scan Context for Large-Scale Place Recognition

作者：Lin Li1 , Xin Kong1 , Xiangrui Zhao1 , Tianxin Huang1 and Yong Liu1

編譯：點(diǎn)云PCL

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪除。歡迎各位加入免費(fèi)知識(shí)星球，獲取PDF論文，歡迎轉(zhuǎn)發(fā)朋友圈。內(nèi)容如有錯(cuò)誤歡迎評(píng)論留言，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載！

公眾號(hào)致力于分享點(diǎn)云處理，SLAM，三維視覺，高精地圖相關(guān)的文章與技術(shù)，歡迎各位加入我們，一起每交流一起進(jìn)步,有興趣的可聯(lián)系微信：920177957。本文來(lái)自點(diǎn)云PCL博主的分享，未經(jīng)作者允許請(qǐng)勿轉(zhuǎn)載，歡迎各位同學(xué)積極分享和交流。

摘要

位置識(shí)別使SLAM系統(tǒng)具有糾正累積錯(cuò)誤的能力，與包含豐富紋理特征的圖像不同，點(diǎn)云幾乎是純幾何信息，這使得基于點(diǎn)云的位置識(shí)別具有挑戰(zhàn)性。現(xiàn)有的作品通常將坐標(biāo)、法線、反射強(qiáng)度等低層特征編碼為局部或全局的描述子來(lái)表示場(chǎng)景，此外，在匹配描述子時(shí)，往往忽略了點(diǎn)云之間的轉(zhuǎn)換，與現(xiàn)有的大多數(shù)方法不同，本文探索了使用高級(jí)特征（即語(yǔ)義信息）來(lái)提高描述子的表示能力，另外，在匹配描述子時(shí)，我們嘗試校正點(diǎn)云之間的平移以提高精度，具體地說(shuō)，本文提出了一個(gè)新的全局描述子，點(diǎn)云語(yǔ)義上下文信息，它可以更有效地挖掘語(yǔ)義信息來(lái)表示場(chǎng)景，本文還提出了一種兩步全局語(yǔ)義ICP算法來(lái)獲得三維姿態(tài)（x，y，yaw），用于點(diǎn)云的對(duì)齊以提高匹配性能，我們?cè)贙ITTI數(shù)據(jù)集上的實(shí)驗(yàn)表明，我們的方法比現(xiàn)有的方法有很大的優(yōu)勢(shì)。

代碼開源：https://github.com/lilin-hitcrt/SSC.

圖1：使用點(diǎn)云語(yǔ)義上下文的位置識(shí)別的示例，這是KITTI數(shù)據(jù)集08的局部建圖實(shí)例，其中第720幀和1500幀形成回環(huán)，圖的下半部分是兩幀對(duì)應(yīng)的點(diǎn)云語(yǔ)義上下文，由于它們的方向是相反的，因此描述子是完全不同的。

介紹

本文提出了一種新的全局描述子-點(diǎn)云語(yǔ)義掃描上下文（SSC），它利用語(yǔ)義信息來(lái)增強(qiáng)描述子的表達(dá)能力，我們還提出了一種兩步全局語(yǔ)義ICP算法，該算法可以在不考慮姿態(tài)初始化的情況下產(chǎn)生魯棒的結(jié)果，從而獲得點(diǎn)云的三維姿態(tài)（x，y，yaw），然后利用姿態(tài)來(lái)對(duì)齊點(diǎn)云，以減少旋轉(zhuǎn)和平移對(duì)描述子相似性的影響。此外，它還可以為六自由度icp算法提供良好的初始值，進(jìn)一步優(yōu)化全局姿態(tài)，圖1展示了我們的結(jié)果。主要貢獻(xiàn)總結(jié)如下：

?提出了一種新的基于激光雷達(dá)的位置識(shí)別全局描述子，利用語(yǔ)義信息對(duì)三維場(chǎng)景進(jìn)行有效編碼。

?提出了一種不需要任何初始值的兩步全局語(yǔ)義ICP來(lái)獲取點(diǎn)云的三維姿態(tài)（x，y，yaw）。

?將點(diǎn)云與獲得的三維姿態(tài)對(duì)齊，以消除旋轉(zhuǎn)和平移誤差對(duì)描述子相似性的影響，這將作為較好的初始位姿進(jìn)一步優(yōu)化SLAM系統(tǒng)。

?在KITTI數(shù)據(jù)集上的詳盡實(shí)驗(yàn)表明，我們的方法實(shí)現(xiàn)了最先進(jìn)的位置識(shí)別和姿態(tài)估計(jì)性能。

主要內(nèi)容

在本節(jié)中，將介紹我們的基于點(diǎn)云語(yǔ)義上下文信息的方法，與其他基于掃描上下文的方法使用不完全語(yǔ)義信息和忽略點(diǎn)云之間的小平移不同，我們探索了充分利用點(diǎn)云之間的語(yǔ)義信息，強(qiáng)調(diào)點(diǎn)云對(duì)之間的小平移對(duì)識(shí)別的準(zhǔn)確性有重要影響。

圖2 方法流程，它主要由兩部分組成：兩步全局語(yǔ)義ICP和點(diǎn)云語(yǔ)義上下文信息

A.全局語(yǔ)義信息ICP

眾所周知，基于局部迭代優(yōu)化的通用ICP算法易受局部極小值的影響，對(duì)于位置識(shí)別，通常無(wú)法得到一個(gè)有效的初始值，這導(dǎo)致了常規(guī)ICP算法的失效，為了解決這個(gè)問(wèn)題，我們提出了由快速偏航角計(jì)算和快速語(yǔ)義ICP組成的兩步全局語(yǔ)義ICP算法，由于使用了語(yǔ)義信息，我們的算法不需要任何初始值就可以得到滿意的結(jié)果。

所謂的快速計(jì)算偏航角方法就是基于點(diǎn)云語(yǔ)義上下文信息的方法，其描述子的列表示偏航角，激光雷達(dá)在水平面上的純旋轉(zhuǎn)將導(dǎo)致其描述子的列移動(dòng)，點(diǎn)云上下文和強(qiáng)度掃描上下文同時(shí)得到相似度和偏航角，具體地說(shuō)，它們使用所有可能的列位移描述子計(jì)算相似度（或距離），并找到最大相似度（或最小距離），然而，有兩個(gè)主要缺點(diǎn)。首先，用移位的方法比較整個(gè)二維描述子是低效的，其次，他們?nèi)匀辉噲D從不同的地方獲得點(diǎn)云的最大分?jǐn)?shù)（而不是回環(huán)），這顯然使它更容易出現(xiàn)假陽(yáng)性。針對(duì)上述問(wèn)題，本文提出了基于語(yǔ)義的快速偏航角計(jì)算方法。與點(diǎn)云上下文和點(diǎn)云強(qiáng)度上下文方法相比，該方法只需要比較一維向量，因此，它的效率更高。此外，該方法不需要通過(guò)最大化得分來(lái)獲得角度，這有助于識(shí)別非閉合點(diǎn)云對(duì)。圖3顯示了快速偏航角計(jì)算的結(jié)果。

? ? 圖3：兩步全局語(yǔ)義ICP的圖示

快速語(yǔ)義ICP。雖然大多數(shù)的研究忽略了點(diǎn)云之間的平移，但是忽略平移會(huì)導(dǎo)致我們的實(shí)驗(yàn)結(jié)果顯著下降。實(shí)際上，對(duì)于基于掃描點(diǎn)云上下文的方法，轉(zhuǎn)換將同時(shí)影響描述子的行和列，單靠列移位描述子是不能得到最佳結(jié)果的，因此，提出了一種快速的語(yǔ)義ICP算法來(lái)校正點(diǎn)云之間的轉(zhuǎn)換。

B?點(diǎn)云語(yǔ)義上下文

掃描點(diǎn)云上下文和強(qiáng)度掃描上下文分別使用點(diǎn)的高度和反射強(qiáng)度作為特征，他們的方法基本上利用了場(chǎng)景中不同對(duì)象的不同特征，然而，高度和反射強(qiáng)度只是物體的低層次特征，不夠具有代表性，我們嘗試?yán)酶邔诱Z(yǔ)義特征來(lái)表示場(chǎng)景，并提出了點(diǎn)云語(yǔ)義上下文描述子。

圖4：生成SSC的示例。ρ和θ分別表示極徑和極角。扇區(qū)對(duì)應(yīng)于描述子的列，而環(huán)對(duì)應(yīng)于描述子的行。

實(shí)驗(yàn)

我們?cè)?4環(huán)激光雷達(dá)的KITTI里程數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，該數(shù)據(jù)集包含11個(gè)具有地面真值姿態(tài)的序列。選擇環(huán)閉合序列（00,02,05,06,07,08）進(jìn)行評(píng)估，并注意到序列08具有反向環(huán)，而其他序列則在同一方向。

如圖5和表4所示， 我們的SK方法在所有序列的所有指標(biāo)上都優(yōu)于其他方法，特別是在序列08中，只有反向回環(huán)，其他方法的性能顯著下降，而我們的方法仍然表現(xiàn)良好。這表明我們的方法對(duì)視角變化具有魯棒性。

在本實(shí)驗(yàn)中，我們改變?chǔ)恋闹祦?lái)分析負(fù)樣本數(shù)對(duì)算法的影響，圖6顯示了不同α對(duì)應(yīng)的平均F1最大分?jǐn)?shù)和平均擴(kuò)展精度，這清楚地表明，無(wú)論采用多少α，我們的方法都比其他方法有更好的性能，隨著α的增加，所有方法的性能都逐漸下降，但我們的方法受影響較小，表明我們的方法能夠有效地識(shí)別陰性樣本。

表II顯示KITTI數(shù)據(jù)集上的相對(duì)偏航誤差。我們可以看到，我們的方法在平均相對(duì)偏航誤差方面優(yōu)于其他方法。特別是在具有挑戰(zhàn)性的序列08中，由于受到反循環(huán)的影響，大多數(shù)方法的性能較差，而我們的方法仍然能夠準(zhǔn)確地估計(jì)偏航角。這再次表明我們的方法可以很好地處理反向回環(huán)。

圖7顯示了我們的方法在KITTI數(shù)據(jù)集上的相對(duì)平移誤差，如圖所示，我們的方法可以估計(jì)準(zhǔn)確的相對(duì)平移，這是目前我們所知的其他方法無(wú)法做到的，因此，我們的快速偏航角計(jì)算和快速語(yǔ)義ICP方法可以提供準(zhǔn)確的三維姿態(tài)估計(jì)，這為ICP算法獲得6D姿態(tài)或直接作為SLAM系統(tǒng)的全局約束提供了良好的初始值。

為了評(píng)估效率，我們將α設(shè)置為1，并將我們的方法的平均時(shí)間代價(jià)08數(shù)據(jù)集上的掃描點(diǎn)云上下文和強(qiáng)度掃描上下文進(jìn)行比較。如表四，由于我們使用得到的三維姿態(tài)來(lái)提前對(duì)齊點(diǎn)云，在匹配階段不需要移動(dòng)描述子列，因此我們的檢索速度非常快，兩步全局語(yǔ)義ICP平均只需要2.126毫秒。

總結(jié)

本文提出了一種新的基于語(yǔ)義的位置識(shí)別全局描述子，提出了一種兩步全局語(yǔ)義ICP算法來(lái)獲取點(diǎn)云對(duì)的3D姿態(tài)（x，y，yaw），通過(guò)對(duì)齊點(diǎn)云來(lái)提高描述子匹配精度，此外，該方法可以為點(diǎn)云配準(zhǔn)提供良好的初始值，與最先進(jìn)的方法相比，我們?cè)贙ITTI里程計(jì)數(shù)據(jù)集上取得了領(lǐng)先的性能。

如果你對(duì)本文感興趣，請(qǐng)后臺(tái)發(fā)送“知識(shí)星球”獲取二維碼，務(wù)必按照“姓名+學(xué)校/公司+研究方向”備注加入免費(fèi)知識(shí)星球，免費(fèi)下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內(nèi)容如有錯(cuò)誤請(qǐng)留言評(píng)論，歡迎指正交流。如有侵權(quán)，請(qǐng)聯(lián)系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關(guān)注我們

讓我們一起分享一起學(xué)習(xí)吧！期待有想法，樂(lè)于分享的小伙伴加入免費(fèi)星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點(diǎn)云，高精地圖，自動(dòng)駕駛，以及機(jī)器人等相關(guān)的領(lǐng)域。

分享及合作方式：微信“920177957”（需要按要求備注） 聯(lián)系郵箱：dianyunpcl@163.com，歡迎企業(yè)來(lái)聯(lián)系公眾號(hào)展開合作。

點(diǎn)一下“在看”你會(huì)更好看耶

總結(jié)

以上是生活随笔為你收集整理的SSC：基于点云语义上下文的大规模激光SLAM的位置识别方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。