北京,2023年9月28日–WiMi全息云(NASDAQ:WIMI)(「WiMi」或「公司」)是一家领先的全球性全息增强现实(「AR」)技术提供商,今天宣布其将语义信息和激光雷达技术集成到SLAM算法中,以探索动态环境下基于激光雷达的语义分割SLAM算法。通过执行语义分割,可以显示环境中潜在的移动对象,这有助于SLAM算法在特征跟踪和映射模块中过滤移动对象,从而获得更准确的姿态估计结果。语义信息被认为是机器人从感知到认知智能迈进的重要信息。语义SLAM是将语义信息集成到环境表示中的重要方法。
基于激光雷达的语义分割SLAM算法首先利用空间注意力网络对点云进行语义分割。全卷积神经网络可以对点云数据进行高效的特征提取和分类,使得可以分割环境中的不同对象和背景。通过语义分割,我们可以获得关于移动对象的信息,这有助于在后续的特征跟踪和地图构建过程中过滤移动对象,从而提高姿态估计的准确性。此外,为了更好地处理动态环境中的SLAM问题,引入了先验知识来指导环境元素的分类标准。通过充分利用现有的环境知识,我们可以更准确地确定环境中哪些元素是静态的,哪些是动态的。这种先验知识的引入可以有效提高识别和跟踪动态元素的准确性。在识别出动态元素之后,可以进一步实现姿态估计和语义图构建。姿态估计是指通过分析传感器数据来推测机器人在环境中的位置和方向。另一方面,语义地图构建利用已知的环境模型和语义分割结果来生成包含语义信息的地图。这些步骤的完成可以为智能机器人在动态环境中进行导航和决策提供准确的信息支持。
WiMi提出的基于激光雷达和语义约束的SLAM算法的关键技术模块包括激光雷达数据处理、语义分割、移动静止对象分割、姿态估计和地图构建等多个方面,这些模块相互协作,共同解决动态环境下的SLAM挑战,提高环境感知和自我定位的准确性和可靠性。
激光雷达数据处理:激光雷达是获取环境3D点云数据的重要传感器。在SLAM算法中,激光雷达数据经过去噪、滤波和特征提取等预处理操作。这些操作旨在提取用于后续姿态估计和地图构建过程的有用特征信息。
移动静止对象分割:在动态环境中,需要将动态对象与静态背景区分开来。这一步骤通常基于语义分割结果和先验知识,通过比较点云数据的运动特性与已知环境模型的区别,区分出动态对象和静态背景。这有效地过滤了动态对象的影响,提高了姿态估计和地图构建的准确性。
姿态估计:姿态估计用于通过分析传感器数据来推断机器人在环境中的位置和方向。基于激光雷达的SLAM算法通常使用扩展卡尔曼滤波(EKF)或非线性优化方法进行姿态估计。可以使用语义约束信息来约束姿态估计过程,以提高其准确性和鲁棒性。
地图构建:地图构建是将在环境中获取的传感器数据集成到3D地图中的过程。基于激光雷达的SLAM算法可以通过集成激光雷达数据和语义信息生成包含语义标签的地图。这样的地图可以提供关于环境结构和特征的更多信息,为智能机器人的导航和决策提供更丰富的上下文。
随着人工智能、5G和物联网的发展,智能机器人在动态环境中的感知和定位问题已经成为一个热门的研究领域。WiMi的基于激光雷达的SLAM算法结合了全卷积网络和语义分割技术,可以有效解决动态环境下SLAM的挑战,具有准确性、鲁棒性、场景理解力和实时性的技术优势。凭借准确性、鲁棒性、场景理解力和实时性的优势,它不仅在工业自动化、智能交通和机器人导航等领域具有重要的应用前景,也为未来智能机器人的发展提供了强有力的支持,使智能机器人能够在动态环境中实现更高层次的感知、理解和响应能力,为人们的生活带来更多便利和安全。