基于回转结构的语义SLAM研究与应用

"这篇硕士学位论文探讨了一种融合回转结构的语义SLAM（Simultaneous Localization and Mapping）方法，旨在提升智能机器人对环境的理解和交互能力。作者李丰在导师李健的指导下，研究了如何利用深度学习与传统图像分割算法结合来自动分割回转体（如圆柱、球体等）的外轮廓，并在此基础上构建了一个融合回转结构的视觉SLAM框架。" 在视觉SLAM领域，理解环境的几何特性和语义信息对于机器人导航和任务执行至关重要。传统的SLAM方法主要关注位置和地图的构建，但缺乏对环境物体的语义理解。该研究提出的新方法结合了深度学习和图像处理技术，通过训练Mask R-CNN网络来识别和分割回转体。这一步骤有助于准确地提取出具有回转对称性的物体，如建筑物的柱子或家具的圆形部分。 接下来，论文利用回转体在图像中的特殊几何约束，建立了一个比例模型，这允许系统更精确地估计这些物体的尺寸和位置。这一创新不仅增强了SLAM的定位精度，也为构建具有语义信息的地图提供了可能。 最后，李丰提出了一个融合回转结构的SLAM系统框架，其中包含回转体真实尺度与位姿的融合方法。这种方法能有效地将回转体的几何和语义信息整合到SLAM后端的闭环检测中，从而提高了系统的鲁棒性和准确性。通过这种方式构建的结构语义SLAM地图，机器人不仅能定位自身，还能理解周围环境的含义，为更复杂的交互和决策提供支持。 这篇论文为视觉SLAM领域带来了一种新的视角，即利用回转体的几何特性进行增强，实现了更高级别的环境理解，这对于自主导航和智能服务机器人的发展具有重要意义。