【MIT博士论文】低动态环境中的长期基于对象SLAM，160页pdf

同时定位与地图构建（SLAM）对于自主代理理解其周围环境至关重要。此外，对于高级机器人任务，进行一致的对象级推理至关重要，尤其是涉及在相同环境中重复遍历的活动，例如家庭清洁和物体检索。在不断变化的世界中，机器人应始终定位自己及其目标，同时维护一个更新的环境地图。传统的SLAM依赖于来自观察的静态几何原语，缺乏语义理解。这些无序的点、线或平面集合在对象级解释方面存在困难，导致对场景变化的错误估计。 由于世界的功能和演变以对象为最小单位，辅助对象的SLAM成为一个逻辑选项。本论文围绕在低动态环境中的长期基于对象的SLAM，以弥合SLAM技术与高级机器人应用之间的沟通鸿沟，并提高SLAM与对象级感知的兼容性。它提出了三个贡献： 首先，我们提出了一种多假设方法，用于在基于对象的SLAM中意识到模糊性的对象姿态采用。这种方法适应了由遮挡或对称对象形状引起的固有模糊性。我们以混合专家方式设计了一个多假设对象姿态估计器前端，并利用基于最大混合的后端从一系列姿态假设集中推断出全局一致的相机和对象姿态。 其次，我们为离线和在线应用开发了两种变化检测方法，分别采用了两种新颖的场景和对象表示，即PlaneSDF和形状一致的神经描述符场。关于长期操作，我们考虑了长时间内不可避免的场景变化以及所选地图表示的效率和可扩展性。此外，我们探索了基于集群和对象级别的变化检测，遵循“分而治之”的策略，通过局部场景差异化使变化检测更加准确和灵活。 最后，我们提出了一种用于长期一致空间理解的神经SE(3)-等变对象嵌入（NeuSE）在基于对象的SLAM中。NeuSE被训练用作完整对象模型的紧凑点云替代品。我们基于NeuSE的对象SLAM范式直接衍生了与通用SLAM姿态图优化兼容的SE(3)相机姿态约束。这实现了辅助定位和轻量级以对象为中心的地图，具有变化感知的映射能力，最终实现了尽管时间环境变化仍然健壮的场景理解。