Opti-Acoustic Semantic SLAM with Unknown Objects in Underwater Environments

尽管陆地和空中应用的语义同时定位与地图构建（SLAM）取得了一定进展，但水下语义SLAM仍然是一个未解决且很大程度上未被关注的研究问题，这是由于水下的独特传感器模式和对象类别所致。本文提出了一种基于对象的水下语义SLAM方法，它可以在不需要预先知道场景中对象类别的情况下，识别、定位、分类和绘制各种海洋对象。该方法执行无监督对象分割和对象级特征聚合，然后使用光学-声学传感器融合进行对象定位。概率数据关联用于确定观测到的地标对应关系。在此基础上，该方法联合优化地标和车辆位置估计。为了评估该方法，收集了室内和室外水下数据集，包含各种对象和具有挑战性的声学和光照条件，并公开发布。定量和定性结果表明，与基线方法相比，所提出的方法实现了降低轨迹误差，并能够获得与需要手动标记场景中所有对象的基线闭合集方法相当的地图精度。

本文旨在解决水下语义SLAM中的对象识别、定位、分类和地图构建问题，这是一个独特的挑战，因为水下环境的感知模式和物体类别与陆地和空中不同。

本文提出了一种基于对象的水下语义SLAM方法，可以在不需要先验知识的情况下识别、定位、分类和地图构建各种海洋物体。该方法通过无监督对象分割和对象级特征聚合，然后使用光声传感器融合进行对象定位。通过概率数据关联来确定观测到地标的对应关系，然后联合优化地标和车辆位置估计。

本文使用了室内和室外水下数据集进行评估，并公开了这些数据集。实验结果表明，与基线方法相比，该方法可以实现减少轨迹误差，并能够获得与基线闭集方法相当的地图精度，后者需要手工标记所有场景中的对象。

最近的相关研究包括：1）水下SLAM中的传感器融合；2）基于深度学习的水下物体检测和识别；3）水下环境中的目标跟踪和识别。