WiMi Hologram Cloud Inc. heeft aangekondigd dat het semantische informatie en lidartechnologie heeft geïntegreerd in het SLAM-algoritme om het op lidar gebaseerde semantische segmentatie SLAM-algoritme in dynamische omgevingen te onderzoeken. Door semantische segmentatie uit te voeren, kunnen potentieel bewegende objecten in de omgeving worden weergegeven, wat het SLAM-algoritme helpt om de bewegende objecten uit te filteren in de feature tracking en mapping module, waardoor nauwkeuriger resultaten voor het schatten van de houding worden verkregen. Semantische informatie wordt beschouwd als belangrijke informatie voor robots om van perceptie naar cognitieve intelligentie te gaan.

Semantische SLAM is een belangrijke benadering om semantische informatie te integreren in de representatie van de omgeving. Het SLAM-algoritme voor semantische segmentatie op basis van lidar maakt eerst gebruik van ruimtelijke aandachtsnetwerken voor de semantische segmentatie van puntenwolken. Het volledige convolutionele neurale netwerk kan efficiënte kenmerkextractie en classificatie van de puntenwolkgegevens uitvoeren, waardoor de segmentatie van verschillende objecten en achtergronden in de omgeving mogelijk wordt.

Door middel van semantische segmentatie kan het bedrijf informatie krijgen over de bewegende objecten, wat helpt bij het uitfilteren van het bewegende object in het daaropvolgende feature-tracking- en kaartconstructieproces, waardoor de nauwkeurigheid van de pose-schatting wordt verbeterd. Om het SLAM-probleem in dynamische omgevingen beter aan te pakken, wordt bovendien a priori kennis geïntroduceerd om de categorisatiecriteria van omgevingselementen te sturen. Door volledig gebruik te maken van de bestaande omgevingskennis kan nauwkeuriger worden bepaald welke elementen in de omgeving statisch en welke dynamisch zijn.

Deze introductie van a priori kennis kan de nauwkeurigheid van het identificeren en volgen van dynamische elementen effectief verbeteren. Na het identificeren van de dynamische elementen kunnen de schatting van gebaren en de constructie van semantische grafieken verder worden gerealiseerd. Het schatten van de houding verwijst naar het speculeren van de positie en oriëntatie van de robot in de omgeving door sensorgegevens te analyseren.

De constructie van semantische kaarten daarentegen maakt gebruik van bekende omgevingsmodellen en semantische segmentatieresultaten om kaarten te genereren die semantische informatie bevatten. Na voltooiing van deze stappen kunnen intelligente robots nauwkeurige informatie krijgen om te navigeren en beslissingen te nemen in dynamische omgevingen. De belangrijkste technologiemodules van het SLAM-algoritme op basis van lidar en semantische beperkingen die door WiMi worden voorgesteld, omvatten verschillende aspecten zoals lidargegevensverwerking, semantische segmentatie, scheiding van bewegende en statische objecten, schatting van de stand en kaartconstructie, die samenwerken om de uitdagingen van SLAM in dynamische omgevingen gezamenlijk op te lossen en de nauwkeurigheid en betrouwbaarheid van omgevingsperceptie en zelflokalisatie te verbeteren.

Lidargegevensverwerking: Lidar is een belangrijke sensor voor het verkrijgen van 3D puntenwolkgegevens van de omgeving. In het SLAM-algoritme worden de lidargegevens voorbewerkt met bewerkingen zoals denoising, filtering en kenmerkextractie. Deze bewerkingen zijn bedoeld om nuttige kenmerkinformatie te extraheren voor de daaropvolgende standschatting en kaartconstructie.

Scheiding van bewegende en statische objecten: In dynamische omgevingen is het nodig om dynamische objecten te scheiden van statische achtergronden. Deze stap is meestal gebaseerd op semantische segmentatieresultaten en a priori kennis om dynamische objecten van statische achtergronden te onderscheiden door de bewegingseigenschappen van de puntenwolkgegevens te vergelijken met bekende omgevingsmodellen. Dit filtert de invloed van dynamische objecten effectief uit en verbetert de nauwkeurigheid van de schatting van de stand en de constructie van kaarten.

Positieschatting: Positieschatting wordt gebruikt om de positie en oriëntatie van de robot in de omgeving af te leiden door de sensorgegevens te analyseren. Het lidar-gebaseerde SLAM-algoritme gebruikt meestal het Extended Kalman Filter (EKF) of niet-lineaire optimalisatiemethoden voor het schatten van de stand. Informatie over semantische beperkingen kan worden gebruikt om het proces van de schatting van de houding te beperken om de nauwkeurigheid en robuustheid te verbeteren.

Kaartconstructie: Kaartconstructie is de integratie van sensorgegevens die in de omgeving zijn verkregen in een 3D-kaart. Op lidar gebaseerde SLAM-algoritmen kunnen kaarten genereren die semantische labels bevatten door lidargegevens te integreren met semantische informatie. Een dergelijke kaart kan meer informatie verschaffen over de structuur en kenmerken van de omgeving, waardoor een rijkere context wordt geboden voor navigatie en besluitvorming door intelligente robots.

Met de ontwikkeling van AI, 5G en IoT is het probleem van perceptie en lokalisatie van intelligente robots in dynamische omgevingen een populair onderzoeksgebied geworden. De lidar-gebaseerde SLAM-algoritmen van WiMi combineren de technieken van FCN en semantische segmentatie, die de uitdagingen van SLAM in dynamische omgevingen effectief kunnen oplossen, en de uitdagingen van SLAM in dynamische segmentatie effectief kunnen oplossen, en de technische voordelen van SLAM in dynamische omgevingen effectief kunnen oplossen, en de technische voordelen van nauwkeurigheid, robuustheid, robuustheid, en de technische voordelen van nauwkeurigheid, robuustheid, en de technische voordelen van nauwkeurigheid, robuustheid, robuustheid, scènebegrip en lokalisatie van intelligente robots effectief kunnen oplossen.