#論文# RA-L(review)| 賓夕法尼亞大學(xué)GRASP實驗室發(fā)布“3D主動度量語義SLAM ” 【3D Active Metric-Semantic SLAM】 文章鏈接：[2309.06950] 3D Active Metric-Semantic SLAM demo鏈接:?https://www.youtube.com/watch?v=Kb3s3IJ-wNg 在本文中，我們解決了使用尺寸重量和功率( SWaP )約束的空中機器人對多層GPS缺失室內(nèi)環(huán)境的探索和度量-語義建圖的問題。先前在探索中的大多數(shù)工作都假設(shè)機器人定位是可以解決的。然而，忽略智能體的狀態(tài)不確定性，無論是在結(jié)果圖中還是在智能體自身的狀態(tài)中，最終都會導(dǎo)致級聯(lián)錯誤。此外，減少定位誤差的行動可能與探索任務(wù)直接相關(guān)。我們提出了一個框架，該框架平衡了探索的效率和減少智能體狀態(tài)不確定性的動作。 特別地，我們的主動度量語義SLAM算法是基于從原始問題數(shù)據(jù)中抽象出的稀疏信息構(gòu)建的，以使其適用于SWa P受限的機器人。此外，我們將該框架集成在一個完全自主的空中機器人系統(tǒng)中，實現(xiàn)了在雜亂的3D環(huán)境中的自主探索。大量的真實實驗表明，通過引入語義閉環(huán)( Semantic Loop Closure，SLC )，我們可以將機器人的位姿估計誤差降低90 %以上(平移)和75 %左右(偏航)，位姿估計和語義地圖的不確定性分別降低70 %和65 %以上。 雖然在室內(nèi)多樓層探測的背景下進(jìn)行了討論，但我們的系統(tǒng)可以用于其他各種應(yīng)用，如基礎(chǔ)設(shè)施檢查和精確農(nóng)業(yè)，在這些應(yīng)用中可能無法獲得可靠的GPS數(shù)據(jù)。