SOS-SLAM: Segmentation for Open-Set SLAM in Unstructured Environments

我们提出了一种新的框架，用于在非结构化环境下进行开放式同时定位和建图（SLAM），该框架使用分割来创建物体地图和物体之间的几何关系以进行定位。我们的系统包括1）一个前端映射管道，使用零样本分割模型从图像中提取物体掩模，并跨帧跟踪它们以生成基于物体的地图，以及2）一个帧对齐管道，使用物体的几何一致性在多种条件下高效地进行定位。这种方法比传统的基于特征的SLAM系统或全局描述符方法更能够适应光照和外观的变化。通过在Batvik季节数据集上评估SOS-SLAM，我们证明了这一点，该数据集包括在芬兰南部沿海地区采集的无人机飞行数据，涵盖了不同季节和光照条件。在不同环境条件下的飞行中，我们的方法实现了比基准方法更高的召回率，精度为1.0。SOS-SLAM在参考地图内的定位速度比其他基于特征的方法快14倍，地图大小小于其他最紧凑地图的0.4％。在考虑来自不同视角的定位性能时，我们的方法优于来自同一视角的所有基准方法，以及来自不同视角的大多数基准方法。SOS-SLAM是一种在非结构化环境中进行SLAM的有前途的新方法，它能够适应光照和外观的变化，并且比其他方法更具计算效率。我们发布了我们的代码和数据集：https://acl.mit.edu/SOS-SLAM/。

本论文旨在解决在非结构化环境中开放式同时定位和地图制作（SLAM）的问题，通过分割来创建物体地图和物体之间的几何关系，以实现定位。

论文的关键思路是使用零样本分割模型从图像中提取物体掩模，并跟踪它们以生成基于物体的地图，然后使用物体的几何一致性来实现有效的定位。

该方法比传统的基于特征的SLAM系统或全局描述符方法更具鲁棒性，可以更好地适应光照和外观的变化。实验使用Batvik季节数据集进行评估，结果表明SOS-SLAM在各种环境条件下实现了更高的召回率。SOS-SLAM在参考地图内的定位速度比其他基于特征的方法快14倍，而地图大小则不到其他地图的0.4％。当考虑从不同视角进行定位时，该方法胜过所有相同视角的基准方法，以及大多数不同视角的基准方法。SOS-SLAM是非结构化环境中SLAM的一种新方法，具有更好的鲁棒性和更高的计算效率。作者已经公开了他们的代码和数据集。

在该领域的相关研究包括：ORB-SLAM、DSO、LSD-SLAM、SVO、ORB-SLAM2等。