La reconnaissance de lieu permet à un système SLAM de corriger les erreurs cumulées. Contrairement aux images, riches en caractéristiques texturées, les nuages de points ne contiennent presque que des informations géométriques, ce qui rend la reconnaissance de lieu basée sur les nuages de points particulièrement difficile. Les travaux existants codent généralement des caractéristiques de bas niveau telles que les coordonnées, les normales, l’intensité de réflexion, etc., sous forme de descripteurs locaux ou globaux afin de représenter les scènes. Par ailleurs, ils négligent souvent la translation entre les nuages de points lors du matching des descripteurs. À la différence de la plupart des méthodes existantes, nous explorons l’utilisation de caractéristiques de haut niveau, à savoir la sémantique, afin d’améliorer la capacité de représentation des descripteurs. En outre, lors du matching des descripteurs, nous tentons de corriger la translation entre les nuages de points afin d’améliorer la précision. Plus précisément, nous proposons un nouveau descripteur global, appelé Semantic Scan Context, qui exploite l’information sémantique pour représenter les scènes de manière plus efficace. Nous introduisons également une méthode de correspondance ICP sémantique globale en deux étapes, permettant d’estimer la pose 3D (x, y, yaw) nécessaire à l’alignement des nuages de points, afin d’améliorer les performances du matching. Nos expérimentations sur le jeu de données KITTI montrent que notre approche surpasser largement les méthodes de pointe actuelles. Le code source est disponible à l’adresse suivante : https://github.com/lilin-hitcrt/SSC.