基于图像语义的可视化同时定位和建图的面向应用程序的移动机器人自主导航解决方案综述
论文名称: A survey of image semantics-based visual simultaneous localization and mapping Application-oriented solutions to autonomous navigation of mobile robots
作者: Linlin Xia, Jiashuo Cui, Ran Shen, Xun Xu, Yiping Gao and Xinying Li
论文下载：https://journals.sagepub.com/doi/pdf/10.1177/1729881420919185
作者主页：https://orcid.org/0000-0002-5079-3788
本文的核心思想作为机器人自主导航的经典方案之一，视觉同步定位和建图（V-SLAM）有着本质的限制，这些限制来自于对以图像几何特征为基础的单纯环境理解。相对比，语义SLAM以高层次的环境感知为特点，因此开启了一道新的大门，即将图像语义应用于有效位姿估计，回环检测，构建3D地图等等。这篇文章详细回顾了语义SLAM的近期发展，主要涵盖不同SLAM方案的感知能力，鲁棒性和准确性。特别的，“语义提取器”的概念和“现代同步定位和建图（modern SLAM）”的框架被提出。本文进一步在宏观角度讨论了一些开放问题，并尝试找到对应答案。本文认为，多尺度地图表示，对象SLAM系统和基于神经网络的SLAM等设计方案，能够有效解决图像语义融合的视觉同步定位和建图。
I.研究背景介绍现如今，自主机器人可以在没有人为干预的情况下，独立操作完成特定的任务。作为自主机器人的一个主要的属性--自主运动，主要取决于自我运动估计和高层次的环境感知。但是，在某些情况下，人工地标是不可知的，或者机器人处于GPS缺失的环境中，这样自我运动估计或获取场景信息就遭遇很大的困难。名词“SLAM”解释为同步定位和建图（有Smith和Cheeseman在1986年提出），被认为是一个基本工具，解决移动机器人在未知环境中的未知位置进行自我定位。技术上，移动机器人渐近的构建一个环境的全局一致地图，于此同时借助此地图实现自我定位。从数学角度来看，SLAM过程能够被抽象为一个并发估计问题，主要涵盖了机器人在可获得地标下的姿态估计和位置估计。很长时间以来，SLAM问题基本上是通过一系列距离传感器来解决的，比如光线检测和测距，红外辐射，或声纳导航和测距，这些适用于小范围静态环境中（各种距离传感器受限于他们独自的物理属性）。但是，在动态、复杂和大范围环境下，基于距离传感器的SLAM可能面对很多挑战。
SLAM问题的示意图如图1所示。
通过外部相机（作为外部传感器）方法的SLAM被称为视觉SLAM（V-SLAM）。相比于传统SLAM技术框架，V-SLAM的重大优势是，它对于实际应用场景的适用性，因为V-SLAM可获得更丰富的图像纹理结构和更简单的传感器配置。此外，伴随计算机视觉（CV）技术的发展和成熟，使得V-SLAM可获得图形和视觉的支持。意识到基于CV的方法已经解决了许多主要的V-SLAM领域中的问题，例如：图像特征检测、描述和匹配，回环检测和3D地图构建等等。目前，利用许多开源算法，V-SLAM系统的架构已经完全建立。但是，我们必须承认，在机器人移动或者具有挑战性环境下（比如，快速的机器人动力学，快速变换的环境，严重的光亮变化，严格的可见度限制或复杂的缺失纹理场景），V-SLAM技术还是不够健壮。Cadena等人，首先将SLAM时间线分为3个时期，并进一步总结了不同时期的成果。技术上，Cadena他们陈述，如果我们已经来到的SLAM的第三阶段，即为一个鲁棒感知的阶段：鲁棒性性能的实现，高层次的理解，资源感知和任务驱动的感知表示。SLAM相关的研究者，已经致力于研究方法，解决高层次的场景感知和理解。他们的工作主要定位于语义理解，因为它在提升鲁棒性，直观可视化和高效的人机交互方面有着优势。与基于语义的鲁棒性/准确性提升或语义构图相关的研究，都被称为语义SLAM。由于V-SLAM能够在一个联合的公式下实现定位和建图，自然的，上述的语义SLAM的两个过程也同样能够在一个估计器下同步解决。
SLAM时间线如图2所示。
表1列出了从2006年至今的SLAM技术方面的主要研究调查。