面向空间理解的点级可精炼语义建图
该论文提出在线可精炼语义建图框架，为每个物体点维护置信度分数，利用多视角时序证据在线更新：一致观测强化可靠点，不一致的分割掩码、深度与可见性线索抑制虚假和过时点，并结合物体跟踪与重识别在物体移动后保持实例身份。实验显示建图精度较先前方法在 Replica 上提升 3.46%、在 ScanNet 上提升 2.55%，用于物体导航和具身问答的成功率分别为 82.4% 和 76.7%。
发布于 10-23 23:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Point-Level Refinable Semantic Mapping for Spatial Understanding》查看原链
arXiv:2610.31476v1 公告类型：新论文 摘要：开放词汇 3D 语义地图已成为长时程机器人自主性的关键空间记忆表示，使机器人能够推理物体、其空间关系以及跨时间的过往观测。 然而，现有的以物体为中心的语义地图主要面向静态环境设计，并依赖仅追加的点整合策略，即新观测到的点被累积，而先前整合的点很少被重新评估。
因此，感知误差随时间累积，物体移动或消失后过时的点仍然存在。 尽管近期的动态建图方法能在变化场景中更新物体级表示，但它们并未显式修正每个物体内部噪声或过时的点。 我们提出一种在线可精炼语义建图框架，通过概率点级置信度更新持续精炼物体表示。 每个物体点维护一个置信度分数，利用多视角时序证据在线更新：一致的观测强化可靠点，而不一致的分割掩码、深度测量和可见性线索抑制虚假和过时的点。
结合物体跟踪与重识别以在运动和位置变化下保持实例身份，我们的框架使以物体为中心的语义地图能够被持续精炼而非单调累积。 实验表明，相比先前方法，建图精度在 Replica 上提升 3.46%、在 ScanNet 上提升 2.55%，在动态环境和感知噪声下表现出鲁棒性，并为物体导航和具身问答提供有效的空间记忆，成功率分别为 82.4% 和 76.7%。