DHP-Mapping: A Dense Panoptic Mapping System with Hierarchical World Representation and Label Optimization Techniques

地图为机器人提供了关键的环境知识，从而使它们能够有效地执行交互任务。轻松访问地图中准确的抽象到详细的几何和语义概念对于机器人做出明智和高效的决策至关重要。为了全面地对环境进行建模并有效地管理地图数据结构，我们提出了DHP-Mapping，这是一个密集映射系统，利用多个截断有符号距离场（TSDF）子地图和全景标签来分层建模环境。输出地图能够维护体素和子地图级别的度量和语义信息。我们提出了两个模块来增强映射效率和标签一致性：（1）一种子地图间标签融合策略，以消除子地图之间的重复点；（2）一种基于条件随机场（CRF）的方法，通过对象标签理解和上下文信息来增强全景标签。我们使用两个公共数据集进行了实验，包括室内和室外场景。我们的系统在几何和标签准确性评估指标上表现与最先进的方法相当。实验结果突出了我们系统的有效性和可扩展性，因为它能够构建精确的几何形状并保持一致的全景标签。我们的代码公开在https://github.com/hutslib/DHP-Mapping。

论文旨在提出一种密集映射系统DHP-Mapping，利用多个截断有符号距离场（TSDF）子图和全景标签来分层建模环境，以解决机器人在交互任务中需要准确的环境知识的问题。

DHP-Mapping系统利用多个TSDF子图和全景标签来建模环境，实现了体素级和子图级别的度量和语义信息的维护，采用了两个模块来提高映射效率和标签一致性，分别是子图间标签融合策略和基于条件随机场（CRF）的方法来增强全景标签。

论文通过实验验证了DHP-Mapping系统在室内和室外场景下的性能，与最先进的方法相比，在几何和标签精度评估指标上表现出色。此外，该系统具有可扩展性和精度，能够构建精确的几何结构并维护一致的全景标签。作者已经公开了代码。

最近的相关研究包括LSD-SLAM、ORB-SLAM、MapNet、SegMap等。