Wang, Huayou, Changliang Xue, Yu Tang, Wanlong Li, Feng Wen, and Hongbo Zhang. “LTSR: Long-Term Semantic Relocalization Based on HD Map for Autonomous Vehicles.” In 2022 International Conference on Robotics and Automation (ICRA), 2171–78. Philadelphia, PA, USA: IEEE, 2022. https://doi.org/10.1109/ICRA46639.2022.9811855.

1 Introduction

本文做出以下贡献：

• 提出一种基于语义特征和HD 地图的准确、鲁棒的长期重定位算法，该算法不依赖于GNSS；
• 提出一种基于局部语义描述子（编码了语义特征间的空间和法向normal 关系）的鲁棒语义特征匹配方法；
• 通过评估局部、全局几何一致性和时间一致性的准确高效简单的外点剔除方法；
• 大量的实验证明了方法的有效性。

Wang, Yutong, Chaoyang Jiang, and Xieyuanli Chen. “VOOM: Robust Visual Object Odometry and Mapping Using Hierarchical Landmarks.” arXiv, February 26, 2024. https://doi.org/10.48550/arXiv.2402.13609.

Abstract

作者提到，物体SLAM 可以在保证计算效率的同时提供高等级的语义信息，部分研究者将建模的物体观测残差添加进BA 中进行位姿优化，但由于物体模型的精度问题，导致优化效果不如基于特征点的方法。基于此，作者提出了一种视觉物体里程计和制图架构——VOOM (Visual Object Odometry and Mapping)，该架构不直接将观测物体残差添加进BA 中，而是使用一种由粗到细的方式将高等级物体和低等级特征点作为层级地标观测。

1 Introduction

作者认为，本方法是第一个利用对偶二次曲面和特征点实现比基于特征点的SOTA SLAM 算法更好定位精度的物体SLAM 算法。

本文的贡献如下：

• 提出了一种新颖的视觉里程计和制图架构，该架构同时使用特征点和对偶二次曲面作为地标；
• 提出了一种有效的算法，使用层级地标进行物体优化、物体关联和基于物体的地图点关联，以进行地图构建；
• 大量实验证明了本算法较SOTA 算法的优越性。

Wang, Huayou, Changliang Xue, Yanxing Zhou, Feng Wen, and Hongbo Zhang. “Visual Semantic Localization Based on HD Map for Autonomous Vehicles in Urban Scenarios.” In 2021 IEEE International Conference on Robotics and Automation (ICRA), 11255–61. Xi’an, China: IEEE, 2021. https://doi.org/10.1109/ICRA48506.2021.9561459.

Abstract

本文提出了一种考虑局部结构一致性、全局模式一致性以及时间一致性的DA 方法；同时，使用了一种滑动窗口因子图优化框架来融合里程计和数据关联信息。

1 Introduction

本文的贡献：

• 提出一种利用轻量级HD地图（不需要知道地图特征的高精度绝对高度信息）和视觉语义特征的精确、鲁棒的定位算法；
• 提出了一种考虑局部结构一致性、全局模式一致性以及时间一致性的DA 方法；
• 提出了一种视觉语义测量和里程计测量紧耦合的因子图优化框架；
• 进行了仿真和真实场景的实验来验证DA的效果和定位的精度。

Qin, Tong, Yuxin Zheng, Tongqing Chen, Yilun Chen, and Qing Su. “A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving.” In 2021 IEEE International Conference on Robotics and Automation (ICRA), 11248–54. Xi’an, China: IEEE, 2021. https://doi.org/10.1109/ICRA48506.2021.9561663.

1 Introduction

本文的贡献：

1. 提出一个新颖的面向无人驾驶的轻量级定位架构，该架构包括车载制图、云端地图维护，以及用户终端定位；
2. 提出一个新颖的想法：让具有丰富传感器的车辆来辅助低成本量产汽车，具体途径为让具有丰富传感器的汽车每天收集数据并自动更新地图；
3. 利用真实场景实验验证了该系统的可行性。

Tseng, Wei-Kang, Angela P. Schoellig, and Timothy D. Barfoot. “Self-Calibration of the Offset Between GPS and Semantic Map Frames for Robust Localization.” In 2021 18th Conference on Robots and Vision (CRV), 173–80. Burnaby, BC, Canada: IEEE, 2021. https://doi.org/10.1109/CRV52889.2021.00031.

1 Introduction

当利用语义信息（如车道线、交通灯等）进行定位时，会出现部分路段无语义信息观测的情况，导致定位失败；此时，可将GPS 与其结合起来进行定位，但是在制图与定位之间会有时间流逝，导致实时GPS 坐标系会与语义地图坐标系之间形成偏差，这就需要对准标定操作。对准操作的常规做法是为实验增加一个手动设定的矫正先验值，但经常会出现错误对准的情况，不太可靠。

Zhong, Meiling, Chuyuan Hong, Zhaoqian Jia, Chunyu Wang, and Zhiguo Wang. “DynaTM-SLAM: Fast Filtering of Dynamic Feature Points and Object-Based Localization in Dynamic Indoor Environments.” Robotics and Autonomous Systems 174 (April 2024): 104634. https://doi.org/10.1016/j.robot.2024.104634.

1 Introduction

针对dynamic SLAM，作者提到DS-SLAM 和 DynaSLAM 是两个代表性作品：

• DS-SLAM 通过语义分割和运动一致性检验来减少动态物体的影响，但是其效果因高度依赖阈值设定而受限，因为该方法是根据物体内动态特征点所占比例来判断该物体是否是动态的。
• DynaSLAM 使用语义分割和多视图几何理论来检测动态物体，该方法利用一个区域成长算法 region growing algorithm ，从孤立的外点来判断整个区域是否是动态的，即便该区域只有一个特征点被判别为外点，那么整个区域就被判定为是动态的；这就导致该算法对外点检测的表现要求极高。

且上述两个算法均是使用语义分割网络来获取语义信息，其复杂度较高、运算速度较慢，而且均使用了先验动态物体假设，具有局限性。

Krishna, Ghanta Sai, Kundrapu Supriya, and Sabur Baidya. “3DS-SLAM: A 3D Object Detection Based Semantic SLAM towards Dynamic Indoor Environments.” arXiv, October 10, 2023. https://doi.org/10.48550/arXiv.2310.06385.

1 Introduction

本文的贡献：

• 将一个轻量级3D HTx 物体检测架构集成到vSLAM 中，使得系统可以获取动态环境中的语义-空间信息；
• 提出一个新颖的端到端架构，集成了HTx 和 HDBSCAN 来有效解决语义和几何约束，实现对整体的优化；
• 实验证明了3DS-SLAM 超越了现有的算法，增强了系统在动态环境中的位姿准确性与稳定性。

Zhang, Qi, and Changdi Li. “Semantic SLAM for Mobile Robots in Dynamic Environments Based on Visual Camera Sensors.” Measurement Science and Technology 34, no. 8 (May 2023): 085202. https://doi.org/10.1088/1361-6501/acd1a4.

1 Introduction

本文的贡献：

• 提出一个可应用于室内外场景的实时动态语义vSLAM 算法，可应用于各种相机传感器，并不依赖深度信息；
• 受益于更多的检测类别，提出一个动态点剔除算法；
• 提出了一种几乎不受噪声点影响的移动bbox判断算法，该算法以所有物体均可能是动态的为假设，使用不同的方法来检测处于不同姿势的人或物体的运动状态。

Wen, Shuhuan, Xiongfei Li, Xin Liu, Jiaqi Li, Sheng Tao, Yidan Long, and Tony Qiu. “Dynamic SLAM: A Visual SLAM in Outdoor Dynamic Scenes.” IEEE Transactions on Instrumentation and Measurement 72 (2023): 1–11. https://doi.org/10.1109/TIM.2023.3317378.

1 Introduction

本文的贡献：

1. 提出一个新颖的视觉SLAM 系统，结合语义分割和多视角几何来有效识别同一种类不同物体的运动状态，从而减少动态特征点对系统的影响；
2. 使用SegNet 网络获取语义信息，基于匀速运动模型判断特征点的当前运动状态、估计相机位姿、恢复特征点的空间位置；当计算特征点速度时，为了减少系统噪声的干扰，作者设计了均值滤波窗口 mean filter window 来滤除噪声；
3. 基于长期观测地图点提出了一种新的动态空间点筛选方法 screening method，来应对动态点错误识别或不完整识别的问题。

Yang, Linjie, and Luping Wang. “A Semantic SLAM-Based Dense Mapping Approach for Large-Scale Dynamic Outdoor Environment.” Measurement 204 (November 30, 2022): 112001. https://doi.org/10.1016/j.measurement.2022.112001.

1 Introduction

本文提出的方法是针对室外动态环境中的语义SLAM，对于动态特征点的筛选，不是简单地利用语义信息对先验动态物体直接剔除，而是采用一个精确、鲁棒的特征点滤波机制，实现对特征点动态性的精确识别。

本文的贡献如下：

• 提出了一个应用于大范围室外动态环境的语义SLAM 系统，该系统是基于ORB-SLAM2 和 深度学习模型的；
• 设计了一个特征点滤除机制，该机制结合了语义特征、depth local contrast 以及多视角投影来进一步提高鲁棒性与准确性；
• 通过采用后验概率和增量更新，为高等级机器人导航创建了室外环境的稠密地图。