·762 工程科学学报，第43卷.第6期 应用的问题，提出了一种基于体素的语义地图构 境中某些物体的类别，推理该环境的分类，以联想 建方法，利用测量不确定性加权并重新设置参数 其他可能存在于该环境的其他物体.此时，环境的 实现动态物体检测，并集成了几何信息、光度信息 连通性对于机器人探索环境的效率更加重要， 和语义信息进行语义分割，系统的鲁棒性较好.但 Chaplot等-]利用拓扑地图和CNN网络探索未 是该算法直接将行人当作外点进行剔除，没有进 知环境，该算法主要包括3个模块：Neural SLAM 行跟踪，另外，随着地图扩大、实体增多，基于体素 模块、全局决策模块和局部决策模块.其中， 构建环境地图的建图系统效率逐渐下降 SLAM模块卷积神经网络进行拓扑地图构建和位 面向对象的语义地图构建算法将工作重心置 姿估计，而带有空间语义信息的拓扑节点可以辅 于实体本身，包括环境中每一个实体的类别信息 助机器人更加高效地探索未知环境 和位置信息，不同于面向场景的语义地图，在这种 综上所述，面向场景的语义地图和面向对象 地图中，实体独立于环境，因此更利于高层次的场 的语义地图均需要大量的计算资源来处理地图构 景理解.但是目前面向对象的语义地图构建方法 建中的语义获取和数据融合，而拓扑语义地图难 大多需要同时处理实例分割和语义分割两项任 以满足机器人与环境交互的需要.因此，部分学者 务，系统的实时性比较差.另外，在处理动态物体 开始研究提取环境中的标志物、文字等信息替代 时，大多数算法直接别除动态物体，这对于地图构 传统意义的语义目标，从而简化语义地图的构建 建来说信息损失较多，因此，如何表示动态环境中 Li等提出将环境中的文本信息，并将其融人到 的动态物体是一个亟需解决的问题， SLAM系统中，以提升SLAM的定位性能和地图 对于地图构建来说，目前尚未出现公认一致 质量.但是当相机运动较快，图像的噪点较多时， 的地图表征，而上述两种语义地图占用空间大，无 算法的鲁棒性下降，在快速运动状态下有效提取 法应用于大规模场景工作的移动机器人.另外，在 文本信息仍面临巨大挑战 度量地图基础上构建的语义地图虽然在细节上对 4语义SLAM与传统视觉SLAM对比 场景的表现更加丰富，但是通常无法表达某一场 景的语义类别，例如厨房、卧室、书房等等.因此， 对视觉SLAM系统来说，精度、鲁棒性和实时 拓扑地图作为传统SLAM研究中不可或缺的一部 性是影响其能否实现实际应用的关键因素，系统 分，因其可表示环境的连通关系，并显著降低地图 所提取的特征描述子是否具有良好不变性会直接 的存储空间，部分学者着手研究拓扑语义SLAM 影响SLAM系统的性能I传统的V-SLAM系统 Oberlander等s提出了一种融合度量、拓扑和语 提取环境中的几何特征信息，常见的SFT和 义信息的环境地图构建方式，度量地图用来进行 SURF等特征，需要具有相关专业领域的专家设 局部避障和路径规划，拓扑地图表达环境的连通 计，具有较大的人为性，并且一般基于静态环境假 关系，并根据场景的几何形状特征进行语义判别， 设，这明显不符合实际应用场景，当存在弱纹理 赋予拓扑地图每个节点语义信息.这种拓扑-度量 区、光照强度变化和动态移动物体等情况时， 融合的混合地图形式一直是机器人导航领域的研 SLAM系统性能会明显下降，系统基本失效93-9 究重点8，Luo与Chiou'87使用YOL0V2算法s7 在构建环境地图时，一般只恢复环境的几何特征， 识别场景分类，将其与拓扑节点融合，赋予拓扑节 不能满足机器人导航、人机交互、自主探索等应 点语义信息，并利用栅格地图进行路径规划和避 用要求，而早期的语义地图构建方法一般采用模 障，实现了用语音控制机器人运动.拓扑地图与语 型库匹配的方式，需要预先构建物体模型库，局限 义信息的融合往往是将语义信息与拓扑节点融 性大，不利于推广使用 合，忽视了环境中的细节，虽然可帮助机器人方 随着计算机性能的提高和机器学习技术快速 便、快捷地到达某一场景，但是难以与场景中实体 发展，V-SLAM技术与机器学习技术相结合，以填 进行交互.例如，当机器人需要抓取环境中的杯子 补传统V-SLAM系统的不足，成为机器人自主导 等物体时，机器人并不能获取杯子的语义信息.因 航领域的重要研究方向之一，近几年兴起的深度 此，拓扑地图与语义信息的融合往往用来实现机 学习技术作为当前最具潜力和优势的计算机视觉 器人自主探索未知环境，文献[88-89]均开展了相 处理方法，受到SLAM领域研究者的广泛关注.在 关工作.类似人类进入一个陌生的环境，人类并不 语义SLAM系统中，环境语义信息大多通过深度 需要了解环境中存在每一个实体，而可以根据环 学习技术从预训练的图像集和实时感知的图像集应用的问题，提出了一种基于体素的语义地图构 建方法，利用测量不确定性加权并重新设置参数 实现动态物体检测，并集成了几何信息、光度信息 和语义信息进行语义分割，系统的鲁棒性较好. 但 是该算法直接将行人当作外点进行剔除，没有进 行跟踪，另外，随着地图扩大、实体增多，基于体素 构建环境地图的建图系统效率逐渐下降. 面向对象的语义地图构建算法将工作重心置 于实体本身，包括环境中每一个实体的类别信息 和位置信息，不同于面向场景的语义地图，在这种 地图中，实体独立于环境，因此更利于高层次的场 景理解. 但是目前面向对象的语义地图构建方法 大多需要同时处理实例分割和语义分割两项任 务，系统的实时性比较差. 另外，在处理动态物体 时，大多数算法直接剔除动态物体，这对于地图构 建来说信息损失较多，因此，如何表示动态环境中 的动态物体是一个亟需解决的问题. 对于地图构建来说，目前尚未出现公认一致 的地图表征，而上述两种语义地图占用空间大，无 法应用于大规模场景工作的移动机器人. 另外，在 度量地图基础上构建的语义地图虽然在细节上对 场景的表现更加丰富，但是通常无法表达某一场 景的语义类别，例如厨房、卧室、书房等等. 因此， 拓扑地图作为传统 SLAM 研究中不可或缺的一部 分，因其可表示环境的连通关系，并显著降低地图 的存储空间，部分学者着手研究拓扑语义 SLAM. Oberlander 等[85] 提出了一种融合度量、拓扑和语 义信息的环境地图构建方式，度量地图用来进行 局部避障和路径规划，拓扑地图表达环境的连通 关系，并根据场景的几何形状特征进行语义判别， 赋予拓扑地图每个节点语义信息. 这种拓扑‒度量 融合的混合地图形式一直是机器人导航领域的研 究重点[86] ，Luo 与 Chiou[87] 使用 YOLO V2 算法[67] 识别场景分类，将其与拓扑节点融合，赋予拓扑节 点语义信息，并利用栅格地图进行路径规划和避 障，实现了用语音控制机器人运动. 拓扑地图与语 义信息的融合往往是将语义信息与拓扑节点融 合，忽视了环境中的细节，虽然可帮助机器人方 便、快捷地到达某一场景，但是难以与场景中实体 进行交互. 例如，当机器人需要抓取环境中的杯子 等物体时，机器人并不能获取杯子的语义信息. 因 此，拓扑地图与语义信息的融合往往用来实现机 器人自主探索未知环境，文献 [88−89] 均开展了相 关工作. 类似人类进入一个陌生的环境，人类并不 需要了解环境中存在每一个实体，而可以根据环 境中某些物体的类别，推理该环境的分类，以联想 其他可能存在于该环境的其他物体. 此时，环境的 连通性对于机器人探索环境的效率更加重要 ， Chaplot 等[90−91] 利用拓扑地图和 CNN 网络探索未 知环境，该算法主要包括 3 个模块：Neural SLAM 模块 、全局决策模块和局部决策模块 . 其中 ， SLAM 模块卷积神经网络进行拓扑地图构建和位 姿估计，而带有空间语义信息的拓扑节点可以辅 助机器人更加高效地探索未知环境. 综上所述，面向场景的语义地图和面向对象 的语义地图均需要大量的计算资源来处理地图构 建中的语义获取和数据融合，而拓扑语义地图难 以满足机器人与环境交互的需要. 因此，部分学者 开始研究提取环境中的标志物、文字等信息替代 传统意义的语义目标，从而简化语义地图的构建. Li 等[92] 提出将环境中的文本信息，并将其融入到 SLAM 系统中，以提升 SLAM 的定位性能和地图 质量. 但是当相机运动较快，图像的噪点较多时， 算法的鲁棒性下降，在快速运动状态下有效提取 文本信息仍面临巨大挑战. 4    语义 SLAM 与传统视觉 SLAM 对比 对视觉 SLAM 系统来说，精度、鲁棒性和实时 性是影响其能否实现实际应用的关键因素，系统 所提取的特征描述子是否具有良好不变性会直接 影响 SLAM 系统的性能[15] . 传统的 V-SLAM 系统 提取环境中的几何特征信息 ，常见 的 SIFT 和 SURF 等特征，需要具有相关专业领域的专家设 计，具有较大的人为性，并且一般基于静态环境假 设，这明显不符合实际应用场景，当存在弱纹理 区 、光照强度变化和动态移动物体等情况时 ， SLAM 系统性能会明显下降，系统基本失效[93−94] . 在构建环境地图时，一般只恢复环境的几何特征， 不能满足机器人导航、人机交互、自主探索等应 用要求，而早期的语义地图构建方法一般采用模 型库匹配的方式，需要预先构建物体模型库，局限 性大，不利于推广使用. 随着计算机性能的提高和机器学习技术快速 发展，V-SLAM 技术与机器学习技术相结合，以填 补传统 V-SLAM 系统的不足，成为机器人自主导 航领域的重要研究方向之一. 近几年兴起的深度 学习技术作为当前最具潜力和优势的计算机视觉 处理方法，受到 SLAM 领域研究者的广泛关注. 在 语义 SLAM 系统中，环境语义信息大多通过深度 学习技术从预训练的图像集和实时感知的图像集 · 762 · 工程科学学报，第 43 卷，第 6 期