关注同名微信公众号“混沌无形”，阅读更多有趣好文！

原文链接： 


机器人环境感知研究现状简述（包含原文PDF百度云下载链接）

 

这一阶段要求SLAM系统具备更稳健的性能、更高阶的理解能力等多智能特征[1]。要求语义SLAM将“环境语义信息”与“传统SLAM几何地图”有效结合，丰富环境模型表达内容，更利于机器人理解环境。

Runz和Tateno等人提出在稠密地图上实现语义分割的算法，如基于稠密点云目标识别、跟踪与重构多运动刚性对象的MaskFusion[18]，同时还为精准分割的对象分配语义标签。类似的，CNN-SLAM[19]将SLAM与CNN相结合，生成语义地图，这类语义地图可帮助机器人更准确认知环境场景，但对于运动规划中的自主避障却帮助不大。

Salas-Moreno等人提出侧重于精准建模的算法——SLAM++[20]，将先验物体CAD模型数据库与SLAM系统相结合，能更真实还原场景模型，且极大压缩稠密点云地图，利于机器人运动碰撞检测，但由于物体的CAD模型种类繁多而无法通用化推广。

Nicholson等人提出基于对偶二次曲面理论的QuadricSLAM[21]，使用带有语义标签的椭球体描述不同物体的姿态（大小、位置、姿态等），如图 2.2（g）所示。相似的，Yang等人提出使用长方体描述的CubeSLAM[22]，是一种适用于动静态场景下单图像3D立方体目标检测和无先验模型的多视角目标SLAM方法。

从便于机器人运动规划的角度来分析，使用椭球体或立方体等特殊几何体描述物体比稠密语义地图或CAD模型更有实际意义，不仅提高碰撞检测计算效率，同时也减少环境模型噪声，有助于运动规划系统稳定。

 精彩的理论论证过程见原文链接（含全文下载链接）

由于网页排版效果一般，所以笔者按照期刊论文版式为小伙伴们整理了原文PDF，方便收藏和回味。

原文链接：（包含原文PDF百度云下载链接）
CSDN下载链接：机器人环境感知研究现状简述PDF

机器人环境感知研究现状简述正在上传…重新上传取消​https://mp.weixin.qq.com/s/Zd0IUibn5_Tsah3CFtjYrg如果喜欢的话，可以关注同名微信公众号“混沌无形”，阅读更多有趣好文！