隨著人工智能（AI）、5G和物聯(lián)網(wǎng)（IoT）等技術(shù)的發(fā)展，人與智能機(jī)器人的共存共生已經(jīng)悄然出現(xiàn)。在這種共存共生中，智能機(jī)器人需要準(zhǔn)確地“了解”環(huán)境和預(yù)期影響，才能有效地執(zhí)行任務(wù)。這種理解涉及解決智能機(jī)器人一系列理論和技術(shù)問題，如環(huán)境感知、環(huán)境建模、空間推理和計算。而同步定位與映射（SLAM）作為智能機(jī)器人環(huán)境檢測和感知的關(guān)鍵技術(shù)之一，對于實現(xiàn)智能機(jī)器人的理解和應(yīng)用起著重要作用。

(資料圖)

目前，大多數(shù)主流SLAM算法僅在靜態(tài)環(huán)境中穩(wěn)定運(yùn)行。而現(xiàn)實世界是動態(tài)變化的，不僅包括短期變化，如移動的汽車和行人，還包括長期變化，如季節(jié)變化或晝夜變化引起的環(huán)境變化。這種動態(tài)變化的環(huán)境對SLAM的各個模塊提出了新的挑戰(zhàn)，例如姿勢估計、特征提取和跟蹤以及地圖構(gòu)建。為了解決動態(tài)環(huán)境中的SLAM問題，最常用的原則是識別、跟蹤和處理動態(tài)元素。

微美全息（NASDAQ:WIMI)將語義信息和激光雷達(dá)技術(shù)融合到SLAM算法的研究中，探索動態(tài)環(huán)境下基于激光雷達(dá)的語義分割SLAM算法。通過進(jìn)行語義分割，可顯示環(huán)境中潛在的運(yùn)動對象，有助于SLAM算法在特征跟蹤和映射模塊中過濾出運(yùn)動對象，從而獲得更準(zhǔn)確的姿態(tài)估計結(jié)果。語義信息被認(rèn)為是機(jī)器人從感知智能走向認(rèn)知智能的重要信息。語義SLAM是將語義信息集成到環(huán)境表示中的一種重要方法。

基于激光雷達(dá)的語義分割SLAM算法首先利用空間注意網(wǎng)絡(luò)對點云進(jìn)行語義分割。全卷積神經(jīng)網(wǎng)絡(luò)可以對點云數(shù)據(jù)進(jìn)行高效的特征提取和分類，從而實現(xiàn)對環(huán)境中不同物體和背景的分割。通過語義分割，我們可以得到關(guān)于運(yùn)動對象的信息，這有助于在后續(xù)的特征跟蹤和地圖構(gòu)建過程中過濾出運(yùn)動對象，從而提高姿態(tài)估計的準(zhǔn)確性。此外，為了更好地處理動態(tài)環(huán)境下的SLAM問題，引入了先驗知識來指導(dǎo)環(huán)境元素的分類標(biāo)準(zhǔn)。通過充分利用已有的環(huán)境知識，我們可以更準(zhǔn)確地判斷環(huán)境中哪些元素是靜態(tài)的，哪些是動態(tài)的。這種先驗知識的引入能夠有效地提高動態(tài)元素的識別和跟蹤的準(zhǔn)確性。在確定了動態(tài)元素之后，可進(jìn)一步實現(xiàn)了姿態(tài)估計和語義圖構(gòu)建。姿態(tài)估計是指通過分析傳感器數(shù)據(jù)，推測機(jī)器人在環(huán)境中的位置和朝向。語義圖構(gòu)建則是利用已知的環(huán)境模型和語義分割結(jié)果，生成包含語義信息的地圖。這些步驟的完成可以為智能機(jī)器人在動態(tài)環(huán)境中的導(dǎo)航和決策提供準(zhǔn)確的信息支持。

WIMI微美全息研究的基于激光雷達(dá)和語義約束的SLAM算法的關(guān)鍵技術(shù)模塊包括激光雷達(dá)數(shù)據(jù)處理、語義分割、運(yùn)動和靜態(tài)物體分離、姿態(tài)估計及地圖構(gòu)建等幾個方面，這些技術(shù)模塊相互配合，共同解決了動態(tài)環(huán)境下SLAM的挑戰(zhàn)，提升了對環(huán)境感知和自我定位的精確性和可靠性。

激光雷達(dá)數(shù)據(jù)處理：激光雷達(dá)是獲取環(huán)境三維點云數(shù)據(jù)的重要傳感器。在SLAM算法中，對激光雷達(dá)數(shù)據(jù)進(jìn)行預(yù)處理，包括去噪、濾波和特征提取等操作。這些操作旨在提取出有用的特征信息，以便后續(xù)的姿態(tài)估計和地圖構(gòu)建過程。

語義分割：語義分割是將點云數(shù)據(jù)中的每個點分配到不同語義類別的任務(wù)。通過使用深度學(xué)習(xí)的方法，如全卷積神經(jīng)網(wǎng)絡(luò)（FCN）或注意力機(jī)制（Attention Mechanism），可以實現(xiàn)對點云數(shù)據(jù)的語義分割。語義分割結(jié)果能提供有關(guān)運(yùn)動對象的信息，有助于后續(xù)的軌跡估計和地圖構(gòu)建過程。

運(yùn)動和靜態(tài)物體分離：在動態(tài)環(huán)境中，需要將動態(tài)物體與靜態(tài)背景分開。這一步驟通?；谡Z義分割結(jié)果和先驗知識，通過比較點云數(shù)據(jù)的運(yùn)動性質(zhì)和已知的環(huán)境模型，將動態(tài)物體和靜態(tài)背景進(jìn)行區(qū)分。這樣可以有效地過濾掉動態(tài)物體的影響，提高姿態(tài)估計和地圖構(gòu)建的準(zhǔn)確性。

姿態(tài)估計：姿態(tài)估計是通過分析傳感器數(shù)據(jù)，推測機(jī)器人在環(huán)境中的位置和朝向?；诩す饫走_(dá)的SLAM算法通常采用擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF）或非線性優(yōu)化方法來實現(xiàn)姿態(tài)估計。語義約束信息可以用于約束姿態(tài)估計過程，以提高其準(zhǔn)確性和魯棒性。

地圖構(gòu)建：地圖構(gòu)建是將環(huán)境中獲取的傳感器數(shù)據(jù)整合成一張三維地圖?；诩す饫走_(dá)的SLAM算法可以通過融合激光雷達(dá)數(shù)據(jù)和語義信息，生成包含語義標(biāo)簽的地圖。這樣的地圖能夠提供更多有關(guān)環(huán)境結(jié)構(gòu)和特征的信息，為智能機(jī)器人的導(dǎo)航和決策提供更豐富的上下文。

隨著人工智能、5G和物聯(lián)網(wǎng)等技術(shù)的發(fā)展，智能機(jī)器人在動態(tài)環(huán)境中的感知與定位問題已經(jīng)成為一個熱門的研究領(lǐng)域。WIMI微美全息布局的基于激光雷達(dá)SLAM算法結(jié)合了全卷積神經(jīng)網(wǎng)絡(luò)和語義分割等技術(shù)，能夠有效解決動態(tài)環(huán)境下SLAM的挑戰(zhàn)，其具有精確性、魯棒性、場景理解和實時性等技術(shù)優(yōu)勢，它不僅在工業(yè)自動化、智能交通和機(jī)器人導(dǎo)航等領(lǐng)域具有重要應(yīng)用前景，還為智能機(jī)器人在未來的發(fā)展提供了有力支持，使智能機(jī)器人在動態(tài)環(huán)境中將能夠?qū)崿F(xiàn)更高水平的感知、理解和應(yīng)對能力，為人們的生活帶來更多便利和安全。

（免責(zé)聲明：此文內(nèi)容為廣告，相關(guān)素材由廣告主提供，廣告主對本廣告內(nèi)容的真實性負(fù)責(zé)。本網(wǎng)發(fā)布目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點和對其真實性負(fù)責(zé)，請自行核實相關(guān)內(nèi)容。廣告內(nèi)容僅供讀者參考。）

關(guān)鍵詞：