.png){kind=icon}
返回
MSG-Loc: Multi-Label Likelihood-Based Semantic Graph Matching for Object-Level Global Localization
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2025.3643293.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器人通常需要在具有未知物体类别和语义模糊的环境中进行定位。然而，在使用语义物体进行全局定位时，高语义模糊会加剧物体误分类，并增加错误关联的可能性，进而可能导致估计位姿出现显著误差。因此，在本研究中，我们提出了一种基于多标签似然函数的语义图匹配框架，用于物体级别的全局定位。核心思想是利用多标签图表示，而非单标签替代方案，以捕捉和利用物体观测的固有语义上下文。基于这些表示，我们的方法通过结合每个节点的似然函数与其邻居的最大似然函数，利用上下文感知的似然传播来增强图之间的语义对应关系。为了进行严格的验证，我们在闭集和开集检测配置下评估了数据关联和位姿估计性能。此外，我们在真实室内场景和合成环境中展示了该方法对大型词汇表物体类别的可扩展性。
Keyword:
Semantic scene understanding
localization
graph matching
object-based SLAM
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
.png){kind=icon}
Open-Vocabulary SAM: Segment and Recognize Twenty-Thousand Classes Interactively开放词汇SAM: 以交互方式分割和识别2万个班级
PREAI
分享收藏QISO-SLAM: Object-Oriented SLAM Using Dual Quadrics as Landmarks Based on Instance Segmentation
PREAI
分享收藏
查看更多内容