Feb, 2022

结构化室内环境机器人导航的情境图

PDF
TL;DR本论文提出了一种新的实时在线构建的 Situational Graph（S-Graph）方法，将环境的几何，语义和关系维度与机器人姿态结合起来。该方法利用里程计读数和来自 3D LiDAR 扫描的平面表面，构建和优化三层 S-Graph，不仅展示了机器人姿态估计的最先进结果，而且贡献了一种度量 - 语义 - 拓扑环境模型。
发现论文，激发创造
  • 结构化室内环境中机器人导航的高级情境图

    本文提出了一个名为 S-Graphs + 的环境感知模型，它由五层优化图组成，包括度量层、关键帧层、度量 - 语义层、新颖房间层和新颖地板层，该模型可以提高机器人的位姿估计和室内环境信息提取的性能，从而扩展机器人的情景感知能力。

    Nov, 2022

  • 基于图的全局机器人定位：使用建筑图来指导情境图

    本文提出利用建筑计划解决机器人的定位问题，通过 A-Graph 转化建筑平面图，对机器人感知到的 S-Graph 进行图对图匹配，得到全局的机器人定位信息，实现利用建筑计划进行机器人定位。

    Mar, 2023

  • 基于层次利用 S - 图进行更快优化

    通过利用层次结构和压缩冗余机器人姿态来减小图的规模，我们提出了改进版的 S-Graphs，相较于基线，实现了类似的准确性，并在计算时间上减少了 39.81%。

    Aug, 2023

  • 通过推理高层次的语义关系概念改进情境图

    本文介绍了如何使用图神经网络来学习从低级因子图中推断出的高级语义关系概念，提出了一个可以更准确、更高效地推断房间实体及其与映射墙面的关系的方法，同时演示了如何引入墙面的语义概念及其与墙面的关系。该方法已经集成到 S-Graphs + 中，并在模拟和实际数据集上进行了验证。我们将提供包含该软件的 Docker 容器供科学界使用。

    Sep, 2023

  • ConceptGraphs: 开放词汇三维场景图用于感知和规划

    为了使机器人能够执行各种任务，本研究提出了一种名为 ConceptGraphs 的基于图结构的 3D 场景表示方法，通过将 2D 基本模型的输出与多视图关联相结合，不需要收集大型 3D 数据集或微调模型即可实现对新的语义类进行泛化推理，并通过一些需要对空间和语义概念进行复杂推理的后续规划任务来证明这种表示方法的实用性。

    Sep, 2023

  • 三维场景图：智能代理的物理环境稀疏语义表示

    提出了一种用于智能代理系统的多功能环境建模方法 ——3D 场景图模型，其具有广泛的适用性、直观的易用性和满意的可扩展性，并通过实验验证了该方法的准确性和适用性。

    Aug, 2019

  • 通过本地和云计算增强环境的图表示

    通过图形化表示机器人环境，结合经典计算机视觉工具和现代计算机视觉云服务，以达到语义理解的目标。

    Sep, 2023

  • 基于语言增强的空间本体论的室内外三维场景图生成

    该论文提出了一种在任意环境（室内和室外）中构建 3D 场景图的方法。为了解决室内和室外环境的概念层次复杂性和训练数据不足的挑战，提出了构建空间本体和使用逻辑张量网络构建 3D 场景图的两个新扩展。通过使用大型语言模型构建空间本体，从而大大减少手动工作量；并利用逻辑张量网络添加逻辑规则或公理，提供附加的监督信号，减少标记数据的需求，并在训练时允许预测未见过的概念。在多个数据集上测试表明，该方法显著提高了使用稀疏注释数据生成 3D 场景图的质量。

    Dec, 2023

  • 三维视觉语言推理中的情境认知的重要性

    SIG3D 是一个端到端的基于情境的 3D 视觉语言推理模型，该模型在情境估计和问题回答方面的性能明显优于现有模型，尤其是在情境估计准确率方面提升超过 30%。

    Jun, 2024

  • 从 3D 室内重建学习 3D 语义场景图

    本文提出了一种基于场景图的三维场景理解方法，它将场景中的实体组织成图形式，运用基于 PointNet 和 Graph Convolutional Networks（GCN）的学习方法实现了场景图的回归，并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。

    Apr, 2020