基于改进DeepLab V3+的语义地图构建

为了提高移动机器人感知环境、执行高级任务的能力,针对传统视觉同时定位与建图(SLAM)构建的地图缺乏语义信息无法对场景内容进行理解的问题,提出一种基于物体分割的语义地图构建方法.首先,通过改进的语义分割模型DeepLabV3+对二维图像进行分割,获取物体的标签;然后,根据改进的迭代最近点(ICP)点云拼接方法构建稠密地图,并且采用区域生长算法对三维点云进行分割;最后,将二维标签映射到三维稠密地图中,构建出语义地图.实验结果表明:所提改进的DeepLabV3+算法与原方法相比,检测速度提高了约4倍;采用改进的ICP算法进行点云拼接时,在TUM数据集的fr/360序列上其相对轨迹误差较ORB-SLAM算法减小了约16.4％;最后,与ORB+YOLOv3、ORB+MASK-RCNN、ORB+DeepLab V3+方法相比,所提方法减少了语义地图的冗余信息,而且建图速度更快,并且占用储存更少.