专栏名称: 我爱计算机视觉

关注计算机视觉与机器学习技术的最前沿，“有价值有深度”，分享开源技术与最新论文解读，传播CVML技术的业内最佳实践。www.52cv.net 微博:计算机视觉与机器学习，QQ群:928997753，52CV君个人账号：Your-Word。

从五个经典工作看语义SLAM

我爱计算机视觉 · 公众号 · · 2020-03-07 19:30

正文

点击我爱计算机视觉标星，更快获取CVML新技术

本文试图概括语义（Semantic） SLAM的主要思路和近年工作。

但因水平有限，若有错漏，感谢指正。

本文有以下结构：

简介

发展方向

方向一：Semantic Mapping

方向二：Real Semantic SLAM

Semantic SLAM

简介

至今为止，主流的 SLAM 方案 ^[1] 多是基于处于像素层级的 特征点 ，更具体地，它们往往只能用 角点或边缘 来提取路标。与之不同的是，人类 通过物体 在图像中的运动来推测相机的运动，而 非特定像素点 。

Semantic SLAM 是研究者试图利用物体信息的方案，其在Deep Learning的推动下有了较大的发展，成为了相对独立的分支，其在整个SLAM领域所处位置如下图：

目前而言，所谓 Semantic 是将基于神经网络的 语义分割、目标检测、实例分割等技术 用于 SLAM 中，多用于特征点选取、相机位姿估计，更广泛地说，端到端的图像到位姿、从分割结果建标记点云、场景识别、提特征、做回环检测等 使用了神经网络的方法 都可称为 Semantic SLAM ^[2] 。

语义和 SLAM 的结合的体现有以下两点 ^[3] ：

SLAM 帮助语义。

检测和分割任务都需要大量的训练数据，在 SLAM 中，由于我们可以估计相机的运动，那么各个物体在图像中位置的变化也可以被预测出来， 产生大量的新数据为语义任务提供更多优化条件 ，且节省人工标定的成本。

语义帮助 SLAM。

一方面，语义分割把运动过程中的每一张图片都带上语义标签，随后传统 SLAM 将带标签的像素映射到3D空间中，就能得到一个带有标签的地图。 这提供了高层次的地图，有利于机器人自主理解和人机交互 。

另一方面，语义信息亦可为回环检测、Bundle Adjustment 带来更多的优化条件，提高定位精度 。

仅实现前者的工作往往称为 Semantic Mapping ，后者才认为是真正的 Semantic SLAM。

发展方向

分别从 Semantic Mapping 和 Real Semantic SLAM 两方面，介绍一些主要思路。

方向一：Semantic Mapping

这类工作要求特征点是 dense 或 semi-dense 的（否则 Mapping 无意义），因此往往用 RGB-D 的 SLAM 方案，亦或是单目相机的 semi-dense LSD-SLAM 方案 ^[4] 。

有两种 Mapping 方式：

将2D图像的语义分割结果，即 带标签的像素，映射到3D点云中 。

研究人员尝试让 SLAM 所得的信息（特别是相机位姿），能够提高语义分割的性能。其中一种是使用 SemanticFusion ^[5] 的 Recursive Bayes 方法：根据 SLAM 对像素点运动的估计，当前帧的 像素的语义分类概率 与前一帧 旧位置上的分类概率 相乘作为最终概率，即像素的概率会沿着各帧累乘，因而增强语义分割的结果。

这一方法被基于单目相机的工作 ^[6] 沿用，整体框架描述如下。

LSD-SLAM + DeepLab-v2 （语义分割）

流程：输入 -> 选关键帧并 refine（非关键帧用于增强深度估计）-> 2D语义分割 -> 语义优化+3D重建

① 为保证速度，仅对关键帧来进行语义分割，

② 其他帧用 small-baseline stereo comparisons ^[7] 对关键帧做深度估计的优化

③ 使用 Recursive Bayes 增强语义分割

④ 3D重建的优化使用条件随机场（CRF），同 SemanticFusion

第二种 Mapping 方式则 以 Object 为单位构建地图 ^[8] ^[9] 。相比于一堆标记了类别的 voxel，包含一个个物体的语义地图，将更有价值。

此部分的重点在于如何做 数据关联 （Data Association），即 跟踪已识别 Object 和发现新 Object ，以 ^[10] 为例描述如下。

使用 RGB-D 和 ORB-SLAM2 可构建一个 dense 的点云。

对于关键帧，SSD 检测出多个 Object，应用无监督的3D分割方法 ^[11] 为每一个 Object 分配点云序列，并存储起来 。

数据关联：得到一组分割结果（Object, 对应点云）后，据点云重心的欧式距离，在找出最接近的一组候选 Object，如果 超过 50% 的点对的距离小于一个阈值（文中 2cm），就认为是匹配到的 Object ，否则认为是新 Object，存储下来。

匹配为同一 Object 的两个点云，直接 累加分类概率 （置信度）。这和上文提到的 Recursive Bayes 方法很像， 即利用 SLAM 提供的物体多角度信息，增强分割结果。

（注：本文的 Related Work 写得很好）

方向二：Real Semantic SLAM

此部分为本文的重点。相对来说，真正的 Semantic SLAM （即语义建图和 SLAM 定位相互促进）发展较晚（基本是2017年后）。

在 Bundle Adjustment (BA) 方法中，我们同时优化相机位姿和 3D 坐标位置，使得 重投影到 2D 图像的像素点与实际观测（多个相机，多个特征点）的总误差最小 。

那么如何将语义信息融合进来呢？

思路一： 同个 3D 点重投影之后，应保持语义一致 。

这又是重投影优化问题，可以加入到 BA 公式中 加强优化目标 ，关键是如何 量化重投影误差 ，就好像传统 BA 的重投影误差通过与实际观测的像素距离来量化。

ICRA 2017 的著名工作 Probabilistic Data Association for Semantic SLAM ^[12] 使用了此思路，其量化重投影误差的方法在于：使用概率模型计算出来的 物体中心，重投影到图像上，应该接近检测框的中心 。而数据关联（到底要接近哪个检测框中心），由一组权重决定，最后 “BA” 和 “权重更新” 通过 EM 算法交替优化。

ECCV 2018 上的工作 VSO ^[13] 与之类似，重投影误差通过 与目标类别的语义区域的远近 来量化。有几个细节比较巧妙，下面展开说明。

如上图所示，(a) 为语义分割图，(b) 为类别 “Car” 的区域，在(c) (d) 中，根据与 Car 区域的距离，概率值从1 (红) 变为 0 (蓝)。其他类别如Tree，也会产生此概率分布图。

其中 距离到概率的转化 ，利用了下方的高斯分布，(c) (d) 的不同是方差导致的。这是在为量化重投影误差做准备。对于一个空间点P（拥有坐标）来说，重投影之后计算得到一个概率：

其中计算了重投影的结果与类别 c 区域的 最近距离 ，最后得到的用于 计算重投影误差 ：

权重的存在是为了解决数据关联 ，即空间点P应该以哪一个类别的区域为目标，。其由多个相机下的值累乘，即多个角度观测投票决定。

会加到普通的 BA 优化公式中，使用 EM 算法进行优化，E 步更新权重，而 M 步优化三维点P坐标和相机位姿（普通的 BA 过程）。

个人理解，之所以使用高斯分布，是因为其函数有“骤降”之处，那么方差可以起到决定阈值的作用，让 距离超过阈值的类别区域更快得到一个小权重 ，多个相机的投票下，数据关联很快就能稳定下来，可以加速优化。

（为简化说明，上述公式已被简化，去除了对于多个相机、空间点的索引，详见原文）

思路二： 从语义信息可以推断出动态区域 。

传统 SLAM 方法几乎都是 假设当前场景是静态的 ，当面对含有运动物体的场景时，运动物体上的特征点将对相机位姿估计产生巨大的偏差。面对这一困难的主要 解决方式是去掉这些动态的特征点 ，而语义分割十分适合找出这些动态区域。

语义分割有两个特点，一是把平面区域的许多像素点联系起来，二是给区域带上了分类标签。

前者有利于确定物体是否真的在运动，因为单个特征点的偏移并不能确定运动的发生（可能是 SLAM 系统一直存在的观测噪声），若是 一群有关联的特征点普遍发生了较大的偏移，就可以断定为是动态的 。

后者有利于 预判物体是否会运动 ，比如标签是人的区域几乎是动态的，而墙壁则可断定是静态的（甚至不用去计算偏移）。

IROS 2018 的 DS-SLAM ^[14] 基于第一个特点，以区域为单位判断是否动态，而一些工作如 ^[15] 仅利用了第二个特点，较为暴力地直接排除某些区域（天空，车）的特征点。

把这两个特点都用上的是 ICRA 2019 的工作 ^[16] ，简述如下。

利用语义分割，将一些类别（）区域定义为背景（绿色），其他类别（

从五个经典工作看语义SLAM

正文

Semantic SLAM

简介

发展方向

方向一：Semantic Mapping

方向二：Real Semantic SLAM

请到「今天看啥」查看全文