从5个经典工作开始看语义SLAM

本文试图概括Semantic SLAM的主要思路和近年工作，⻓期更新。但因水平有限，若有错漏，感谢指正。
（更好的公式显示效果，可关注文章底部的公众号）

Semantic SLAM

简介

至今为止，主流的 SLAM 方案 [1] 基于处于像素层级的特征点，更具体地，它们往往只能用角点或边缘来提取路标。人类是通过物体在图像中的运动来推测相机的运动，而非特定像素点。

Semantic SLAM 是研究者试图利用物体信息的方案，其在Deep Learning的推动下有了较大的发展，成为了相对独立的分支，就方法（非设备）而言，其在整个SLAM领域所处位置如下图：

file

目前而言，所谓 Semantic 是将基于神经网络的语义分割、目标检测、实例分割等技术用于 SLAM 中，多用于特征点选取、相机位姿估计，更广泛地说，端到端的图像到位姿、从分割结果建标记点云、场景识别、提特征、做回环检测等使用了神经网络的方法都可称为 Semantic SLAM [2]。

语义和 SLAM 的结合的体现有以下两点 [3]：

SLAM 帮助语义。

检测和分割任务都需要大量的训练数据，在 SLAM 中，由于我们可以估计相机的运动，那么各个物体在图像中位置的变化也可以被预测出来，产生大量的新数据为语义任务提供更多优化条件，且节省人工标定的成本。
语义帮助 SLAM。

一方面，语义分割把运动过程中的每一张图片都带上语义标签，随后传统 SLAM 将带标签的像素映射到3D空间中，就能得到一个带有标签的地图。这提供了高层次的地图，有利于机器人自主理解和人机交互。

另一方面，语义信息亦可为回环检测、Bundle Adjustment 带来更多的优化条件，提高定位精度。

仅实现前者的工作往往称为 Semantic Mapping，后者才认为是真正的 Semantic SLAM。

发展方向

分别从 Semantic Mapping 和 Real Semantic SLAM 两方面，介绍一些主要思路。

Semantic Mapping

这类工作要求特征点是 dense 或 semi-dense 的（否则 Mapping 无意义），因此往往用 RGB-D 的 SLAM 方案，亦或是单目相机的 semi-dense LSD-SLAM 方案 [4]。

有两种 Mapping 方式：

将2D图像的语义分割结果，即带标签的像素，映射到3D点云中。

研究人员尝试让 SLAM 所得的信息（特别是相机位姿），能够提高语义分割的性能。其中一种是使用 SemanticFusion [5] 的 Recursive Bayes 方法：根据 SLAM 对像素点运动的估计，当前帧的像素的语义分类概率 与前一帧旧位置上的分类概率相乘作为最终概率，即像素的概率会沿着各帧累乘，因而增强语义分割的结果。

这一方法被基于单目相机的工作 [6] 沿用，整体框架描述如下。

file

LSD-SLAM + DeepLab-v2 （语义分割）

流程：输入 -> 选关键帧并 refine（非关键帧用于增强深度估计）-> 2D语义分割 -> 语义优化+3D重建

① 为保证速度，仅对关键帧来进行语义分割，

② 其他帧用 small-baseline stereo comparisons [7] 对关键帧做深度估计的优化

③ 使用 Recursive Bayes 增强语义分割

④ 3D重建的优化使用条件随机场（CRF），同 SemanticFusion

第二种 Mapping 方式则以 Object 为单位构建地图 [8][9]。相比于一堆标记了类别的 voxel，包含一个个物体的语义地图，将更有价值。

此部分的重点在于如何做数据关联（Data Association），即跟踪已识别 Object 和发现新 Object，以 [8] 为例描述如下。

file

使用 RGB-D 和 ORB-SLAM2 可构建一个 dense 的点云。

对于关键帧，SSD 检测出多个 Object，应用无监督的3D分割方法 [10] 为每一个 Object 分配点云序列，并存储起来。

数据关联：得到一组分割结果（Object, 对应点云）后，据点云重心的欧式距离，在找出最接近的一组候选 Object，如果超过 50% 的点对的距离小于一个阈值（文中 2cm），就认为是匹配到的 Object，否则认为是新 Object，存储下来。

匹配为同一 Object 的两个点云，直接累加分类概率（置信度）。这和上文提到的 Recursive Bayes 方法很像，即利用 SLAM 提供的物体多角度信息，增强分割结果。

（注：本文的 Related Work 写得很好）

Real Semantic SLAM

此部分为本文的重点。相对来说，真正的 Semantic SLAM （即语义建图和 SLAM 定位相互促进）发展较晚（基本是2017年后）。

在 Bundle Adjustment (BA) 方法中，我们同时优化相机位姿和 3D 坐标位置，使得重投影到 2D 图像的像素点与实际观测（多个相机，多个特征点）的总误差最小。

那么如何将语义信息融合进来呢？

思路一：同个 3D 点重投影之后，应保持语义一致。

这又是重投影优化问题，可以加入到 BA 公式中加强优化目标，关键是如何量化重投影误差，就好像传统 BA 的重投影误差通过与实际观测的像素距离来量化。

ICRA 2017 的著名工作 Probabilistic Data Association for Semantic SLAM [11] 使用了此思路，其量化重投影误差的方法在于：使用概率模型计算出来的物体中心，重投影到图像上，应该接近检测框的中心。而数据关联（到底要接近哪个检测框中心），由一组权重决定，最后 “BA” 和 “权重更新” 通过 EM 算法交替优化。

ECCV 2018 上的工作 VSO [12] 与之类似，重投影误差通过与目标类别的语义区域的远近来量化。有几个细节比较巧妙，下面展开说明。

file

如上图所示，(a) 为语义分割图，(b) 为类别 “Car” 的区域，在© (d) 中，根据与 Car 区域的距离，概率值从1 (红) 变为 0 (蓝)。其他类别如Tree，也会产生此概率分布图。

其中 距离到概率的转化，利用了下方的高斯分布，© (d) 的不同是方差导致的。这是在为量化重投影误差做准备。对于一个空间点P（拥有坐标）来说，重投影之后计算得到一个概率：

其中计算了重投影的结果与类别 c 区域的最近距离，最后得到的用于计算重投影误差：

权重的存在是为了解决数据关联，即空间点P应该以哪一个类别的区域为目标，。其由多个相机下的值累乘，即多个角度观测投票决定。

会加到普通的 BA 优化公式中，使用 EM 算法进行优化，E 步更新权重，而 M 步优化三维点P坐标和相机位姿（普通的 BA 过程）。

个人理解，之所以使用高斯分布，是因为其函数有“骤降”之处，那么方差可以起到决定阈值的作用，让距离超过阈值的类别区域更快得到一个小权重，多个相机的投票下，数据关联很快就能稳定下来，可以加速优化。

（为简化说明，上述公式已被简化，去除了对于多个相机、空间点的索引，详见原文）

思路二：从语义信息可以推断出动态区域。

传统 SLAM 方法几乎都是假设当前场景是静态的，当面对含有运动物体的场景时，运动物体上的特征点将对相机位姿估计产生巨大的偏差。面对这一困难的主要解决方式是去掉这些动态的特征点，而语义分割十分适合找出这些动态区域。

语义分割有两个特点，一是把平面区域的许多像素点联系起来，二是给区域带上了分类标签。

前者有利于确定物体是否真的在运动，因为单个特征点的偏移并不能确定运动的发生（可能是 SLAM 系统一直存在的观测噪声），若是一群有关联的特征点普遍发生了较大的偏移，就可以断定为是动态的。

后者有利于预判物体是否会运动，比如标签是人的区域几乎是动态的，而墙壁则可断定是静态的（甚至不用去计算偏移）。

IROS 2018 的 DS-SLAM [13] 基于第一个特点，以区域为单位判断是否动态，而一些工作如 [14] 仅利用了第二个特点，较为暴力地直接排除某些区域（天空，车）的特征点。

把这两个特点都用上的是 ICRA 2019 的工作 [15]，简述如下。

file

利用语义分割，将一些类别（）区域定义为背景（绿色），其他类别（）区域定义为可移动物体。

接下来使用运动判定，以区分可移动物体当前是静止（蓝色）还是运动（红色）的。

运动判定的规则如下：对于某一语义区域内，过往估计的特征点的 3D 位置，投影到当前的新图像上，重投影位置若和对应特征点的欧式距离大于一定阈值，则定义为移动点，如果该区域移动点的比例大于一定阈值则判定为移动区域。

思路三：语义信息提供的物体级别的描述，拥有季节（光线）不变性。

这一思路可以用在如何用已有的 3D 地图定位。

传统的特征点（拥有描述子），在多变的环境下十分不鲁棒，容易跟丢。而语义分割的结果，相对而言是稳定的，此外，若以物体级别来做定位（拿语义标签来匹配地图），更符合人类直觉。

ICRA 2018 和 2019 的工作 [16] [17] 使用了本思路。
思路四：待总结

更好的阅读效果、更多相关内容可关注公众号【小林同学的脑回路】↓ ↓ ↓

xiaolin_nhl