SSC: Semantischer Scan-Context für die großflächige Platzerkennung

Die Platzerkennung ermöglicht es einem SLAM-System, kumulative Fehler zu korrigieren. Im Gegensatz zu Bildern, die reichhaltige texturale Merkmale enthalten, bestehen Punktwolken fast ausschließlich aus geometrischer Information, was die Platzerkennung basierend auf Punktwolken herausfordernd macht. Bestehende Ansätze kodieren oft niedrigstufige Merkmale wie Koordinaten, Normalenvektoren oder Reflexionsintensitäten als lokale oder globale Deskriptoren, um Szenen darzustellen. Zudem ignorieren sie häufig die Translation zwischen Punktwolken bei der Deskriptorabgleichung. Im Gegensatz zu den meisten etablierten Methoden erforschen wir den Einsatz hochstufiger Merkmale, nämlich Semantik, um die Repräsentationsfähigkeit der Deskriptoren zu verbessern. Außerdem versuchen wir bei der Deskriptorabgleichung, die Translation zwischen den Punktwolken zu korrigieren, um die Genauigkeit zu erhöhen. Konkret stellen wir einen neuen globalen Deskriptor namens Semantic Scan Context vor, der semantische Information nutzt, um Szenen effektiver zu repräsentieren. Außerdem präsentieren wir einen zweistufigen globalen semantischen ICP-Algorithmus, um die 3D-Pose (x, y, yaw) zu ermitteln, die zur Ausrichtung der Punktwolke dient und die Abgleichleistung verbessert. Unsere Experimente auf dem KITTI-Datensatz zeigen, dass unsere Methode die derzeit besten Ansätze mit großem Abstand übertrifft. Der Quellcode ist unter folgender URL verfügbar: https://github.com/lilin-hitcrt/SSC.