基于动态语义特征的轻量化地图构建算法

王搏; 李冬; 代昌华

doi:10.12404/j.issn.1671-1815.2507201

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (25) :10954-10966 DOI: 10.12404/j.issn.1671-1815.2507201

自动化技术、计算机技术

基于动态语义特征的轻量化地图构建算法

王搏 ¹^,² ,
李冬 ¹^,^* ,
代昌华 ¹

作者信息 +

Lightweight Map Construction Algorithm Based on Dynamic Semantic Features

WANG Bo ¹^,² ,
LI Dong ¹^,^* ,
DAI Chang-hua ¹

Author information +

文章历史 +

摘要

针对动态变化环境中同步定位与地图构建(simultaneous localization and mapping,SLAM)技术因动态物体干扰导致地图可靠性不足的问题,提出一种基于动态语义特征的轻量化地图构建算法,其核心创新在于深度融合语义感知能力与八叉树概率更新机制,实现动态环境下高精度与轻量化的统一。算法首先设计一种基于区域提议网络(region proposal network,RPN)对RGB-D图像进行动态目标识别与掩膜提取,进而通过3D点云反投影与二维掩膜的交并比(intersection over union,IoU)匹配,为点云团赋予语义标签;在此基础上,创新性地将语义信息嵌入八叉树结构的多分辨率建模过程,通过语义引导的观测概率动态更新策略,对动态目标区域实施概率抑制,并对静态结构进行增强保持,从而构建出兼具几何完整性与语义理解能力的轻量化动态地图。在TUM动态场景数据集上的实验结果表明,与DenseSLAM构建的稠密点云地图、ElasticFusion构建的半稠密地图等现有先进建图方法相比,本文算法在地图点数量和内存占用指标上最小提升幅度分别为89.68%和84.89%。将二进制的轻量化语义地图集成至SLAM系统后,绝对误差均值(mean absolute percentage error,APE-Mean)和绝对误差均方根(absolute percentage error-root mean square error,APE-RMSE)分别提升16.49%和16.26%以上,证明了本文算法所构建的轻量化语义地图能在动态变化的场景下保持高度的适应性和准确性。

Abstract

To address the issue of insufficient map reliability in simultaneous localization and mapping (SLAM) caused by dynamic object interference in changing environments, a lightweight map construction algorithm was proposed based on dynamic semantic features. Its core innovation lies in deeply integrating semantic perception capabilities with an octree probability update mechanism, achieving a balance between high precision and lightweight performance in dynamic environments. Firstly, a method based on the region proposal network (RPN) was designed to perform dynamic target recognition and mask extraction on RGB-D images. Then, through 3D point cloud back-projection and the intersection over union (IoU) matching of the two-dimensional masks, semantic labels were assigned to the point cloud clusters. On this basis, an innovative approach was adopted to embed semantic information into the multi-resolution modeling process of the octree structure. Through a dynamic update strategy of observation probability guided by semantics, the dynamic target regions were probabilistically suppressed and the static structures were enhanced and maintained, thereby constructing a lightweight dynamic map that combines geometric integrity and semantic understanding capabilities. Experimental results on the TUM dynamic scene dataset show that, compared to state-of-the-art mapping methods like the dense point cloud maps built by DenseSLAM and the semi-dense maps built by ElasticFusion, the proposed method reduces the number of map points and memory usage by at least 89.68% and 84.89%, respectively. After integrating the binary lightweight semantic map into the SLAM system, the mean absolute percentage error(APE-Mean) and the absolute percentage error-root mean square error(APE-RMSE) are improved by over 16.49% and 16.26%, respectively, demonstrating that the proposed algorithm can maintain high adaptability and accuracy in dynamically changing scenes.

Graphical abstract

关键词

动态SLAM / 语义分割 / 八叉树 / 轻量化地图

Key words

dynamic SLAM / semantic segmentation / octree / lightweight map

引用本文

引用格式 ▾

王搏, 李冬, 代昌华. 基于动态语义特征的轻量化地图构建算法[J]. 科学技术与工程, 2026, 26(25): 10954-10966 DOI:10.12404/j.issn.1671-1815.2507201

WANG Bo, LI Dong, DAI Chang-hua. Lightweight Map Construction Algorithm Based on Dynamic Semantic Features[J]. Science Technology and Engineering, 2026, 26(25): 10954-10966 DOI:10.12404/j.issn.1671-1815.2507201

登录浏览全文

4963

注册一个新账户忘记密码

同步定位与地图构建(simultaneous localization and mapping,SLAM)技术^[1]是机器人实现自主感知与导航^[2]的基石,其目标是在未知环境中实时估计自身位姿^[3]并构建环境地图。在静态、可控的实验室环境中,传统SLAM技术已趋于成熟。然而,在实际应用场景中,如室内服务、智能仓储、人机共融等环境中,动态物体(如行走的人员、移动的设备)的广泛存在对SLAM系统的可靠性与实用性提出了严峻挑战。动态物体的运动会导致相机观测数据中包含大量异常值,若直接用于位姿估计与地图更新,将引入显著误差,造成地图杂影、扭曲乃至定位跟踪失败。因此,研究能够有效处理动态环境、生成稳定可靠地图的SLAM方法,已成为推动机器人走向实际复杂应用的关键。

为提升SLAM在动态环境中的建图鲁棒性,现有研究主要形成了两种典型的技术路径:一种基于深度学习的分割方法^[4-5],另一种基于几何运动的处理方法^[6-7]。深度学习方法通过引入语义分割模型^[8],使系统能够理解场景中各类物体的语义类别,从而在构建地图时主动识别并排除潜在动态目标,从感知层面提升对动态内容的辨别能力。另一种几何处理方法则避免使用复杂模型,转而利用几何特征,通过分析点云或特征点的运动状态差异来区分静态背景与动态对象^[9],体现了以运动特征为依据的动态处理思路。这两种路径分别从“语义理解”和“运动分析”两个不同维度应对动态环境带来的挑战,共同推动了动态SLAM技术的发展。

为实现对动态目标的高精度识别与滤除,一类方法采用基于深度学习的实例分割^[10]或语义分割模型,如Mask R-CNN^[11]、YOLACT^[12]、PSPNet^[13]和DeepLabv3+^[14]。这些模型能够提供像素级的分割精度,有效区分如行人、车辆等动态物体与静态背景结构。通过将分割结果作为动态区域掩码,可在前端直接滤除相关特征点或点云数据,从源头上避免动态物体对地图的污染,显著提升地图的静态一致性与长期可靠性,其核心优势在于动态目标滤除的精度高。具体而言,Mask R-CNN作为两阶段实例分割算法的代表,通过引入RoIAlign层减少定位误差,在复杂场景下能生成高质量的实例掩码,分割精度优势明显;但其结构复杂,推理速度较慢,通常依赖高性能GPU进行加速,难以在资源受限的嵌入式平台上实现实时处理。YOLACT作为一种单阶段实例分割模型,通过将掩码生成分解为原型掩码和掩码系数预测两个并行分支,再通过线性组合生成实例掩码,显著提升了处理速度,部分版本可达30帧/s以上;然而,其分割细节尤其是边缘部分的精度通常低于两阶段方法,在处理严重遮挡或复杂形变物体时性能会有所下降。基于语义分割的PSPNet和DeepLabv3+等模型,通过金字塔池化^[15]模块或空洞空间金字塔池化结构有效融合多尺度上下文信息,提升了对不同尺度动态目标的识别能力以及对场景的深层语义理解;但其输出通常为像素级类别标签,需要额外的后处理步骤来区分同一类别的不同实例,增加了系统复杂性,且模型参数量大,计算开销较高,对实时性应用构成挑战。

以上基于深度学习的方法在动态目标滤除的精度方面表现突出。然而,其计算开销巨大,复杂的网络结构导致推理速度难以满足实时SLAM^[16]的要求,且模型参数量大,难以部署在计算资源受限的嵌入式平台,这极大限制了其在需要实时运行的移动机器人上的实际应用。

另一类方法侧重于通过轻量化的地图表示与几何或运动一致性检查来提升效率,其核心思想是避免依赖计算昂贵的深度学习模型,转而利用多帧间的几何约束或运动线索进行动态目标处理。该类方法以基于多帧几何约束^[17]的动态点滤除方法(如VDO-SLAM^[18]中通过光流残差判断点的一致性)、光流法^[19](通过像素级运动矢量检测异常运动)以及场景流技术^[20](直接估计3D运动场)为典型代表。这些方法不依赖于预训练的语义模型,而是通过几何运动信息直接判断点的动态性,因此具有计算量小、易于集成到现有SLAM框架、能满足实时性要求的优势。然而,其根本缺陷在于对动态目标判别的精度较低:例如,基于多帧几何约束的VDO-SLAM在物体沿极线方向运动时可能失效,导致动态点漏检;光流法对纹理缺失、光照变化或运动模糊敏感,易产生误匹配,将静态点误判为动态点;而场景流技术虽能提供更丰富的3D运动信息,但计算复杂度较高,且在相机快速运动或存在遮挡时可靠性下降。此外,这类方法普遍难以有效处理暂时静止的动态物体(如停下的行人),因为几何一致性检测依赖于运动假设,一旦物体静止,其动态性无法被察觉,导致地图中仍保留虚假静态结构。

综上所述,现有动态SLAM技术路线在应对复杂动态环境时存在显著局限性。基于深度学习的方法虽在动态目标识别精度上具有优势,但其庞大的模型与高计算开销严重制约了在嵌入式平台上的实时部署,且对训练数据之外的未知物体类别泛化能力弱,在光照突变、物体遮挡等真实场景下面临严峻挑战。而基于几何或运动一致性的轻量化方法虽提升了计算效率,却因依赖运动假设与低层特征,对缓慢运动、暂时静止的动态物体以及纹理缺失区域极易产生误判,导致动态目标滤除不彻底或静态结构被错误剔除,严重影响地图的可靠性。这两种技术路径在“精度”与“效率”之间的固有矛盾,限制了它们在真实开放环境中长期稳定运行的潜力。

为从根本上解决上述矛盾,现提出一种基于动态语义特征的轻量化地图构建算法。核心创新在于设计一种语义引导的八叉树地图融合与更新机制,通过引入基于RPN的轻量化语义分割前端,在保证动态目标识别精度的同时,将语义信息深度融合到八叉树结构^[21]的概率更新过程中。该方法不仅利用语义标签区分动静态物体,更通过动态抑制策略自适应调整节点占有概率,从而在维持地图几何完整性的前提下,显著降低动态干扰与存储开销。这一融合框架可以有效弥补纯深度学习方法的效率短板与几何方法在语义理解上的不足,为动态环境下实现高精度、高效率的SLAM系统提供了可行路径。

1 系统架构

复杂动态环境中的定位与地图构建面临动态物体干扰、地图存储效率低下以及语义信息缺失等多重挑战。传统方法难以在维持地图精度与实现高效更新之间达到平衡,且缺乏对场景的深层语义理解。本文研究提出基于动态语义特征的八叉树占有概率更新算法,通过集成深度语义分割、三维语义融合与八叉树观测概率更新方法,构建出一个高精度、轻量化的语义地图构建与更新。该算法的系统架构如图1所示,主要分为3个核心步骤以实现动态环境中的鲁棒建图,具体实现如下。

步骤1 基于区域提议网络(region proposal network,RPN)分割网络的2D目标分割。为在复杂场景下实现动态目标的精准识别与分割,设计了基于RPN的深度分割模型,该模型通过RPN生成候选目标边界框,并利用全卷积网络(fully convolutional networks,FCN)架构在编码-解码过程中提取特征并重构掩膜,实现对目标类别的判定与轮廓的精确分割;最后借助非极大值抑制(non-maximum suppression,NMS)优化检测结果,有效提升对动态物体的识别精度与鲁棒性。

步骤2 3D目标语义融合。为实现从目标的2D语义信息到3D空间几何的映射,首先对原始点云进行滤波和分割处理,生成独立点云团;随后,通过相机参数将点云反投影至二维图像平面,与RPN分割模型输出的检测掩膜进行交并比(intersection over union,IoU)匹配,筛选出高重叠区域;最终为每个点云团分配语义标签,并依据其3D位置和尺寸信息构建具有语义标注的局部点云地图。

步骤3 语义八叉树地图的构建与更新。首先,在获取点云的语义标签和空间位置信息之后,构建了一个目标数据库,为点云提供先验知识。然后,将整个场景空间递归划分为不同分辨率的体素节点以构建八叉树地图,每个节点不仅记录其占据概率,同时还继承点云所传递的语义标签信息。在构建过程中,系统依据传感器观测状态与目标语义信息持续更新节点状态:对于被静态结构占用的区域,逐步提高其占据概率以强化环境稳定性;对语义标注为动态物体的点云区域,则引入动态抑制策略,通过赋予较低的权重以削弱其对地图的长期影响,避免噪声残留。从而在维持地图结构一致性的同时,有效支持动态目标的实时滤除与地图在线更新。

2 轻量化地图构建算法

传统SLAM方法常面临严峻挑战:一方面,环境中动态物体的运动会引入大量噪声观测,严重污染地图的准确性并导致定位漂移;另一方面,为维持高精度而构建的稠密地图往往伴随着高昂的存储与计算成本,并难以满足长期、快速的更新。针对上述问题,提出了一种能够兼顾精度、效率与语义理解能力的轻量化地图构建方法。

2.1 基于RPN分割网络的2D目标分割

在复杂动态场景中,实现精准的目标感知是进行后续三维语义地图构建的首要前提。传统的目标检测方法在物体形状适应性、多尺度处理以及遮挡鲁棒性方面存在局限,难以满足高精度实例分割的需求。为解决这一问题,提出了一种基于区域提议网络(RPN)的2D目标分割方法,将目标检测与语义分割任务有效结合,能够在复杂场景下生成高质量的物体候选区域及其像素级分割掩膜。该方法利用RPN网络高效地生成可能包含目标的候选区域,同时后面接一个全卷积网络(FCN),对每个候选区域进行精确的像素级前景-背景分割,输出实例级别的分割掩膜,从而整体形成一个编码-解码架构。如图2所示为2D目标分割方法的完整网络框架。

如图2黄色虚线框所示,RPN是一种全卷积网络,其核心思想是在卷积神经网络提取的共享特征图上,通过滑动窗口机制,在每一个空间位置同时预测多个具有不同尺度和长宽比的候选边界框,即锚点框(anchor boxes),并评估每个锚点框内包含目标物体的概率。

RPN在特征图的每个滑动窗口中心设置k个预先定义的锚点框。这些锚点框具有不同的尺度和长宽比,用于应对图像中目标物体的多变性。对于一个尺寸为W×H的特征图,总共会产生W×H×k个锚点框,从而实现对输入图像的密集检测覆盖。对于每个锚点框,RPN并行执行两项任务。

(1)分类任务。判断当前锚点框是前景(包含目标)还是背景。其输出是一个2维向量,表示该锚点框为前景或背景的概率。

(2)回归任务。对前景锚点框进行微调,使其更准确地逼近真实目标边界框。回归任务预测的是边界框的4个偏移量,通常采用下面的参数化公式进行编码。假设一个锚点框A由其中心坐标(x,y)以及宽(w)和高(h)定义,即

(1)$\mathit{A}=({\mathit{A}}_{\mathit{x}},{\mathit{A}}_{\mathit{y}},{\mathit{A}}_{\mathit{w}},{\mathit{A}}_{\mathit{h}})$

其对应的真实标注框G为

(2)$\mathit{G}=({\mathit{G}}_{\mathit{x}},{\mathit{G}}_{\mathit{y}},{\mathit{G}}_{\mathit{w}},{\mathit{G}}_{\mathit{h}})$

则需要学习的4个偏移量定义为

(3)$\left\{\begin{array}{l}{\mathit{t}}_{\mathit{x}}=({\mathit{G}}_{\mathit{x}}-{\mathit{A}}_{\mathit{x}})/{\mathit{A}}_{\mathit{w}}\\ {\mathit{t}}_{\mathit{y}}=({\mathit{G}}_{\mathit{y}}-{\mathit{A}}_{\mathit{y}})/{\mathit{A}}_{\mathit{h}}\\ {\mathit{t}}_{\mathit{w}}=\mathrm{l}\mathrm{n}({\mathit{G}}_{\mathit{w}}/{\mathit{A}}_{\mathit{w}})\\ {\mathit{t}}_{\mathit{h}}=\mathrm{l}\mathrm{n}({\mathit{G}}_{\mathit{h}}/{\mathit{A}}_{\mathit{h}})\end{array}\right.$

RPN通过优化平滑L1损失函数来学习以上4个偏移量,从而使预测框能够精确地对齐真实目标。

在RPN生成高质量的候选区域之后,系统利用提案区域对齐层(RoI align)从共享特征图中为每个候选区域提取固定尺寸的特征图。随后,一个轻量级的全卷积网络(FCN)充当解码器(如图2绿色虚线框所示),对该特征图进行上采样和卷积操作,为每个候选区域预测一个像素级的二进制分割掩膜。通过反卷积等上采样技术恢复空间细节,最终输出与原始候选区域尺寸对应的分割结果,精确勾勒出目标的轮廓。如图3所示为RPN语义分割网络在城市道路上的分割效果。

2.2 3D目标语义融合

在通过2D目标分割网络获取图像的像素级语义信息后,为实现对三维环境的语义理解,必须将2D语义标签与3D点云几何信息进行精确融合。对原始点云进行预处理与实例分割,将其反投影至图像平面,与2D检测结果进行关联匹配,最终为每个3D点云实例赋予准确的语义标签,从而生成带有语义标注的局部点云地图。整个处理流程如图4所示。

步骤1 对深度相机采集到的原始点云数据进行预处理。为提高数据质量,采用双边滤波算法对点云进行平滑去噪,该算法在保留边缘特征的同时有效抑制离群点,其核心思想是综合考虑空间邻近度与深度相似性。滤波后,采用基于欧几里得距离的具有噪声的基于密度的空间聚类算法(density-based spatial clustering of applications with noise,DBSCAN)对点云进行实例分割,该算法将空间中距离小于设定阈值ε的点归为同一簇,从而将场景点云划分为多个独立的点云团,每个点云团对应一个潜在的物体实例。

为了建立3D点云与2D像素的对应关系,需要将分割得到的点云团反投影到二维图像平面。这一过程依赖于相机的成像几何模型,通过相机内参和外参实现坐标转换。

对于一个三维点P_c=(X_c,Y_c,Z_c)^T(在相机坐标系下),其投影到图像像素坐标系下的点p=(u,v)^T由式(4)决定,表达式为

(4)$\left[\begin{array}{l}\mathit{u}\\ \mathit{v}\\ 1\end{array}\right]=\frac{1}{{\mathit{Z}}_{\mathrm{c}}}\mathit{K}\left[\begin{array}{l}{\mathit{X}}_{\mathrm{c}}\\ {\mathit{Y}}_{\mathrm{c}}\\ {\mathit{Z}}_{\mathrm{c}}\\ 1\end{array}\right]$

式(4)中:K为相机内参矩阵,包含以像素为单位的焦距(f_x,f_y)和主点坐标(c_x,c_y),具体定义如下

(5)$\mathit{K}=\left[\begin{array}{l}{\mathit{f}}_{\mathit{x}}\mathit{　}0\mathit{　}{\mathit{c}}_{\mathit{x}}\\ 0\mathit{　}{\mathit{f}}_{\mathit{y}}\mathit{　}{\mathit{c}}_{\mathit{y}}\\ 0\mathit{　}0\mathit{　}1\end{array}\right]$

通过此变换,每一个3D点云团可在图像上得到一个对应的2D投影区域。

在获得每个点云团在图像上的投影区域后,需将其与2D分割网络输出的实例掩膜进行匹配,以赋予其语义标签。采用交并比(IoU)作为匹配度的评价指标。对于一个点云团的投影区域A_proj和一个2D检测掩膜A_mask,其IoU的计算公式定义为

(6)$\mathrm{I}\mathrm{o}\mathrm{U}=\frac{{\mathit{A}}_{\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{j}}\bigcap {\mathit{A}}_{\mathrm{m}\mathrm{a}\mathrm{s}\mathrm{k}}}{{\mathit{A}}_{\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{j}}\bigcup {\mathit{A}}_{\mathrm{m}\mathrm{a}\mathrm{s}\mathrm{k}}}$

步骤2 遍历所有2D检测mask,为每个点云团寻找IoU最大且超过预设阈值的掩膜进行匹配。成功匹配后,该掩膜所携带的类别标签(如“车辆”“行人”)将被分配给对应的整个3D点云团。对于未能成功匹配的点云团,则视为静态背景或无效观测予以暂时保留或剔除。

步骤3 匹配成功后,系统为每个点云团生成了完整的3D语义信息。不仅获得了其类别标签,还可以进一步计算该实例的3D几何属性:通过计算点云团的三维包围立方体来表征其位置和尺寸。立方体的中心点(x_c,y_c,z_c) 可通过点云坐标的平均值求得,而其长宽高则通过直接计算点云在各个坐标轴上的极值差来确定。

2.3 语义八叉树地图的构建与更新

在获取到点云的语义标签和3D几何属性之后,构建了一个目标数据库线程,为每个点云点赋予一个或多个语义标签,如“人”“桌子”“椅子”等,为导航、场景理解等提供重要的先验知识。当检测到动态目标时,会将其纳入目标数据库中,后面若检测到相同目标,则更新点的空间位置等信息;不同目标则会被标记为新的物体。在此基础上,另创建了八叉树(Octo-Map)3D占有格地图构建任务线程,以解决之前地图存储需求大、动态更新和优化困难等问题。

如图5(a)所示,八叉树地图(Octo-Map)是一种采用树形结构的地图格式,特别适用于维护稠密地图。它将整个空间作为一个根节点(对应一个立方体空间),然后递归地将立方体分割为8个子立方体,每个子立方体对应树结构中的1个子节点。这一过程持续进行,直到达到预设的分辨率级别。与传统点云存储方式相比,八叉树结构通过动态节点管理显著减少内存消耗。当某个区域的所有子节点状态一致时(如全部被占据或全部空闲),这些子节点可以被剪枝,仅保留父节点即可表示该区域的整体状态。这种机制使得八叉树在处理大规模环境建模时,能够保持较高的存储效率,并能清晰地描述物体在空间中的占据关系,如图5(b)所示。

当新的点云数据添加到系统中时,需要将新数据与八叉树进行融合。通过比较新数据与八叉树节点之间的关系,确定新数据应该分配给哪个节点。如果新数据与现有节点不匹配,则可能需要创建新的节点或对现有节点进行调整,最小叶节点的尺寸由其分辨率参数所确定,动态物体的存在导致空间状态的频繁更迭,因此设计了基于多次观测的联合概率来计算叶节点的占有率。具体过程如下。

每个节点维护一个占有概率值,初始值设为0.5表示状态未知。当新的观测数据到来时,采用贝叶斯更新规则调整节点概率值。为简化计算并提高数值稳定性,使用概率对数值(Log-odds)进行概率更新,表达式为

(7)$\mathit{L}\left(\mathit{n}\right)=\mathrm{l}\mathrm{n}\left[\frac{\mathit{P}\left(\mathit{n}\right)}{1-\mathit{P}\left(\mathit{n}\right)}\right]$

式(7)中:P(n)为节点n的占据概率;L(n)为对应的概率对数值。

然后进行logit逆变换,采用sigmoid函数来表达,即

(8)$\mathit{P}\left(\mathit{n}\right)=\frac{1}{1+\mathrm{e}\mathrm{x}\mathrm{p}[-\mathit{L}(\mathit{n}\left)\right]}$

当从传感器获得新的观测数据z_t时,概率更新公式为

(9)$\mathit{L}\left(\mathit{n}\right|{\mathit{z}}_{1:\mathit{t}})=\mathit{L}(\mathit{n}\left|{\mathit{z}}_{1:\mathit{t}-1}\right)+\mathit{L}\left(\mathit{n}\right|{\mathit{z}}_{\mathit{t}})$

式(9)中:$\mathit{L}\left(\mathit{n}\right|{\mathit{z}}_{1:\mathit{t}-1})$为历史观测的节点概率对数值;$\mathit{L}\left(\mathit{n}\right|{\mathit{z}}_{\mathit{t}})$为当前时刻观测得到的节点概率对数值,二者相加得到综合节点概率对数值,并根据式(8)的逆变换计算节点的最终占有概率。

针对动态环境的特点,设计了一个动态抑制策略,通过目标数据库的语义信息和节点观测状态对这些区域采用特殊的更新策略,从而降低动态物体对地图稳定性的影响。具体而言,让当前时刻观测得到的节点概率对数值$\mathit{L}\left(\mathit{n}\right|{\mathit{z}}_{\mathit{t}})$考虑到节点n能否被观测到、节点n被观测到为静态占据、节点n被观测到为动态占据三种情形。具体的更新策略为

(10)$\mathit{L}\left(\mathit{n}\right|{\mathit{z}}_{\mathit{t}})=\left\{\begin{array}{ll}{\mathit{l}}_{\mathrm{o}\mathrm{c}\mathrm{c}},& \mathit{n}\mathrm{被}\mathrm{观}\mathrm{测}\mathrm{为}\mathrm{静}\mathrm{态}\mathrm{占}\mathrm{据}\\ {\mathit{l}}_{\mathrm{f}\mathrm{r}\mathrm{e}\mathrm{e}},& \mathit{n}\mathrm{被}\mathrm{识}\mathrm{别}\mathrm{为}\mathrm{动}\mathrm{态}\mathrm{物}\mathrm{体}\\ 0,& \mathit{n}\mathrm{未}\mathrm{被}\mathrm{观}\mathrm{测}\mathrm{到}\end{array}\right.$

式(10)中:l_occ与l_free为基于贝叶斯概率更新框架与动态环境建模需求而设定的。l_occ=0.85对应于节点被观测为静态占据时的对数几率增量,其取值旨在使节点在连续数次观测后迅速收敛至高概率状态(P≈0.7),以快速建立可靠静态地图。l_free=-0.4则用于对动态目标或滤波异常点进行概率抑制,其负值设计能够有效降低相关节点的占有概率(P≈0.4),从而在不多次观测的情况下逐步消除动态物体对地图的污染。该参数组合在数学上保持了更新过程的数值稳定性,并在行为上实现了3类节点的区分处理:持续观测的静态区域逐步强化其占据概率;动态目标点受到持续抑制;未观测区域维持原有概率,以避免因传感器视野限制或短暂遮挡导致的误更新。通过这一参数配置,系统在概率层面实现了动态物体抑制与静态结构保持的平衡,从而在机制上保障了语义八叉树地图对动态环境的高适应性。

3 实验与结果分析

3.1 数据集

如图6所示,为验证所提出的动态语义建图算法的有效性,实验选用TUM数据集中的Structure vs. Texture与Dynamic Objects两个类别进行系统评估。Structure vs. Texture类别包含多种具有不同结构特征与纹理分布的典型室内场景,适用于评估算法在弱纹理、重复结构等挑战性环境中的建图稳定性与特征利用能力。而Dynamic Objects类别则专门针对动态环境设计,序列中包含行人移动等真实动态干扰,能够有效检验算法在动态目标识别、语义地图更新与长期一致性保持方面的表现。通过结合两类场景,该实验既可验证算法在静态复杂环境中的通用性,也能深入考察其在动态场景下的鲁棒性与实用性,从而全面评估所提方法的综合性能。

3.2 网络参数设置

在基于RPN的语义分割模型训练中,关键参数设置直接影响模型的收敛速度与分割精度。采用Adam优化器,初始学习率设置为1×10^-4,并采用步长衰减策略(如在训练轮次达到总轮次的60%和80%时学习率乘以0.1),以在训练后期精细调整模型参数。批量大小(Batch Size)设置为8,以在有限的GPU内存下确保训练过程的稳定性。这些参数的选择旨在平衡训练效率与模型性能:适中的学习率与衰减策略有助于模型稳定收敛并避免过拟合,而合适的批量大小则能保证梯度下降方向的有效性。最终,该参数配置使得RPN网络能够高效地学习动态目标的特征表示。

3.3 轻量化建图结果分析

为了更好地展示轻量化地图(八叉树地图)的建图质量与环境结构信息,采用TUM数据集中的 Structure vs. Texture 类别来进行八叉树建图实验。如图7所示,对收集到的点云进行预处理,包括去除噪声、滤波处理以及降低采样率等步骤,以提高数据质量和后续处理的效率。接着,将稠密点云数据转换为八叉树地图,如图7(b)所示,八叉树地图将空间划分为多个立方体单元,每个单元可以根据其包含的点云信息进行分类,如地面、墙壁等,这有助于提取环境中的语义信息。此外,利用高精度三维扫描设备获取室内3D环境的三维坐标及其对应的强度和颜色信息,图7(c)所示为赋予了强度和颜色信息的RGB八叉树地图。

为了探究八叉树地图在不同分辨率和层级条件下的性能表现,分别调整八叉树地图的分辨率和层级参数,生成不同版本的地图,并将它们与现有的稠密点云建图方法进行比较。在调整分辨率时,将改变八叉树地图中每个叶子节点所代表的空间体积大小,从而影响地图的细节程度和精度。而在调整层级时,则是调整八叉树地图的深度,即八叉树的层数,从而控制地图的层次结构和分辨率的多样性。如图8所示为八叉树地图在11~16深度的地图版本(从左至右,从上到下)。

在图8中,可以观察到当树深度小于等于12时,地图中的立方体方块相对较大,这可能导致八叉树地图在细粒度上的表示不足。在八叉树地图中,树深度反映了地图划分的层次和细粒度。深度较小的八叉树可能导致较大的立方体方块,这会使得地图在细节上不够精确,从而丢失一些关键的几何结构信息。

在比较八叉树地图与稠密点云地图时,除了地图的细节反映之外,还必须考虑两者在内存空间占用方面的差异。八叉树地图的内存占用与地图的层级和分辨率密切相关。如表1所示,随着树深度的降低,地图的空间点数量与内存占用均呈指数级下降,这验证了八叉树结构在压缩地图存储方面的巨大潜力。

最终选择树深度为14的八叉树地图作为后续导航与验证的基础。该选择是基于精度与效率的平衡:深度14的地图在保留足够的环境几何特征(10 164个地图点)以确保导航安全性的同时,其内存消耗(0.323 MB)远低于最高精度的深度为16地图(3.994 MB),约为稠密点云地图(5.065 MB)的6.4%,显著减轻了系统的存储与计算负担,体现了优异的轻量化特性,为在资源受限的平台上实现长期稳定的SLAM应用奠定了基础。

为全面评估本文算法的综合性能,将其与DenseSLAM(稠密)和ElasticFusion(半稠密)两种主流建图方法进行对比,结果如表2所示。

在轻量化性能上,本文算法展现出绝对优势。其地图点数量(10 164个)和内存占用(0.323 MB)远低于DenseSLAM和ElasticFusion,证明了基于动态语义特征的八叉树结构能极其高效地压缩地图数据。

在地图质量上,本文算法表现卓越。与DenseSLAM相比,本文算法在保持极高地图完整性(94.5%)和结构相似性(0.87)的同时,点云精度(M3C2距离为0.033 m)与之相当。这表明,尽管地图数据被大幅压缩,但通过语义信息增强的八叉树地图仍能保留环境的本质结构和几何精度。

综上所述,对比实验充分证明,本文算法成功地在保持与稠密建图方法相媲美的地图精度和完整性的前提下,实现了地图存储的极致轻量化。

3.4 语义八叉树地图构建

为了提升地图构建在动态室内环境的鲁棒性,采用TUM数据集中的 Dynamic Objects类别来进行建图实验。通过引入动态语义模块来增强地图对环境变化和动态物体的适应能力。利用RPN深度网络来识别和分类室内环境中的动态目标,并基于此构建了一个数据目标库(如人、椅子和电脑等),该库不仅包含了静态物体的信息,还特别关注了动态目标,如图9(b)所示:对室内场景中的人、椅子和电脑显示器进行语义分割,并且引入数据目标库中。

结合语义数据库,能够有效地从图像中剔除运动物体,这一步骤对于减少地图中的噪声和误差至关重要。此外,还将物体的颜色标签信息整合进了体素中,这一创新性的方法使得地图不仅包含了物体的空间信息,还融入了颜色信息,从而为场景提供了更加丰富和直观的描述,图9(c)展示了构建的语义八叉树的效果图。这种语义信息的融合,使得室内环境语义八叉树地图在理解和应用上更加精细和高效。

在复杂的室内场景中,为了实现增强现实以及分析动态目标与静态目标之间的相对运动,需要精确地找到人和电脑的相对位置。结合构建的语义八叉树地图,提取出了场景图像中的人与电脑的 3D空间位置。这一步骤通过精确的语义分割和3D 重建技术,实现了对人和电脑在室内场景中位置的精确捕捉。接下来,提取标记区域的空间位置质心坐标。质心坐标作为物体在空间中的几何中心,能够有效地反映物体的空间分布和运动趋势。通过对人和电脑的质心坐标进行提取和分析,可以得到人和电脑在空间中的分布特征。如图10所示为人与电脑3D空间位置提取效果图,清晰地展示了人和电脑在空间中的位置分布。

为全面评估语义八叉树地图构建算法的实时性与应用可行性,在3种硬件平台上进行了测试,结果如表3所示。实验表明,在Jetson AGX Orin等嵌入式平台上,算法仍能满足实时性需求(>10 Hz),其高度优化的流程与轻量级地图表示使其具备良好的嵌入式部署潜力。

为进一步凸显本文语义八叉树地图方法在动态目标处理精度与资源消耗上的优势,将其与两种代表性先进算法(DS-SLAM与VDO-SLAM)进行实验对比分析,结果如表4所示。对比可见,本文算法在保持最低内存占用的同时,在动态点滤除精度上显著优于几何方法VDO-SLAM,并与基于深度学习的DS-SLAM精度相当。然而,本文算法通过语义八叉树地图实现了极致的轻量化,内存占用仅为DS-SLAM的约6.4%,成功实现了精度与效率的平衡。这证明了本文算法在动态环境下的综合优势。

3.5 语义八叉树地图鲁棒性分析

为验证本文算法在复杂噪声环境下的实用价值,评估了其重载至SLAM系统后对导航性能的提升效果,特别是在动态目标干扰、低纹理区域及遮挡等不确定性条件下的鲁棒性。如图11所示,当动态目标(如行人)大面积遮挡场景视图时,传统SLAM系统因无法有效提取静态特征点而导致跟踪初始化失败,这正体现了动态遮挡对系统鲁棒性的严峻挑战。

为解决上述因动态遮挡、低纹理等因素引起的跟踪丢失问题,将已构建的语义八叉树地图重新加载至SLAM系统中。该地图不仅包含几何结构信息,还融合了语义标签,能够有效区分动态物体与静态结构。系统首先解析八叉树数据格式,并将其与SLAM内部数据结构进行配准与融合。如图12所示,语义地图被成功加载,系统可据此识别环境中的稳定静态区域,从而显著改善在低纹理区域的特征提取能力,并抑制动态特征点对位姿估计的干扰。

语义八叉树地图的引入为SLAM系统提供了先验的环境结构知识,使其在发生跟踪丢失后能依据地图中的静态语义信息快速恢复定位。系统通过比对当前帧与地图中的语义特征,可在低纹理或动态遮挡严重的场景下重新初始化跟踪模块。如图13所示,在低纹理与高动态混合的复杂环境中,SLAM系统借助重载地图成功恢复了稳定跟踪状态,证明了本文算法对多种噪声因素的适应性。

为定量评估地图重载在多种噪声条件下的作用,实验选取TUM Dynamic Objects数据集中4个具有不同挑战特性的序列:freiburg1_360(快速动态目标+低纹理)、freiburg1_desk2(快速动态目标)、freiburg1_room(慢速动态目标)以及freiburg2_360_kidnap(慢速动态目标+低纹理)。这些序列包含高噪声、动态物体与遮挡等不确定性条件。

从表5可以看出,地图重载后的SLAM系统在所有序列上均取得显著精度提升。特别是在同时包含低纹理和动态目标的freiburg1_360与freiburg2_360_kidnap序列中,APE-Mean降低超过40%,证明语义八叉树地图能有效补偿低纹理环境下特征缺失的问题,并显著抑制动态物体对定位的干扰。即使在不同的动态模式下,系统仍能保持稳定的精度提升,充分验证了本文算法在复杂噪声环境中的强鲁棒性。

4 结论

针对动态变化环境中同步定位与地图构建(SLAM)技术因动态物体干扰导致地图可靠性不足的问题,提出一种基于动态语义特征的轻量化地图构建算法,其核心创新在于深度融合语义感知能力与八叉树概率更新机制,实现动态环境下高精度与轻量化的统一。算法首先设计一种基于区域提议网络(RPN)对RGB-D图像进行动态目标识别与掩膜提取,进而通过3D点云反投影与二维掩膜的交并比(IoU)匹配,为点云团赋予语义标签;在此基础上,创新性地将语义信息嵌入八叉树结构的多分辨率建模过程,通过语义引导的观测概率动态更新策略,对动态目标区域实施概率抑制、对静态结构进行增强保持,从而构建出兼具几何完整性与语义理解能力的轻量化动态地图。实验结果表明,与DenseSLAM构建的稠密点云地图、ElasticFusion构建的半稠密地图等现有先进建图方法相比,本文算法在地图点数量和内存占用指标上最小提升幅度分别为89.68%和84.89%。将二进制的轻量化语义地图集成至SLAM系统后,绝对轨迹误差均值(APE-Mean)和绝对轨迹误差均方根(APE-RMSE)分别提升了16.49%和16.26%以上,证明了本文算法所构建的轻量化语义地图能在动态变化的场景下保持高度的适应性和准确性。

尽管本文算法在动态目标识别与地图更新方面表现良好,但在极端环境下的适用性仍存在一定局限。首先,算法性能高度依赖于RGB-D相机的深度信息质量,在强光照、透明或反射表面等复杂条件下,深度传感器易产生噪声甚至失效,影响地图构建的稳定性。其次,预训练分割模型在面对未知物体类别或严重遮挡场景时泛化能力有限,可能导致动态目标漏检或误判。此外,在高速运动或剧烈光照变化等极端情况下,算法的实时性和鲁棒性仍有提升空间。在未来的研究中,将重点探索多传感器融合方案,如结合LiDAR的精确测距能力与RGB-D的语义感知优势,提升系统在复杂环境下的可靠性。同时,将研究自监督或在线学习策略,通过增量学习方式适应未知场景,降低对预训练模型的依赖,进一步增强算法在开放、动态环境中的适应能力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Taketomi T, Uchiyama H, Ikeda S. Visual SLAM algorithms: a survey from 2010 to 2016[J]. IPSJ Transactions on Computer Vision and Applications, 2017, 9(1): 16.

[2]	沈甜雨, 陶子锐, 王亚东, 等. 具身智能研究的关键问题: 自主感知, 行动与进化[J]. 自动化学报, 2025, 51(1): 43-71.

[3]	Shen Tianyu, Tao Zirui, Wang Yadong, et al. Key issues in embodied intelligence research: autonomous perception, action, and evolution[J]. Acta Automatica Sinica, 2025, 51(1): 43-71.

[4]	张磊, 徐孝彬, 曹晨飞, 等. 基于动态特征剔除的图像与点云融合的机器人位姿估计方法[J]. 中国激光, 2022, 49(6): 0610001.

[5]	Zhang Lei, Xu Xiaobin, Cao Chenfei, et al. Robot pose estimation method based on image and point cloud fusion with dynamic feature elimination[J]. Chinese Journal of Lasers, 2022, 49(6): 0610001.

[6]	Han S, Xi Z. Dynamic scene semantics SLAM based on semantic segmentation[J]. IEEE Access, 2020, 8: 43563-43570.

[7]	陈冠华, 李博, 朱铮涛. 基于改进PointNet的空调散热器V形槽3D点云分割算法[J]. 科学技术与工程, 2024, 24(5): 1963-1971.

[8]	Chen Guanhua, Li Bo, Zhu Zhengtao. Research on 3D point cloud segmentation algorithm of air conditioner radiator V-slots based on improved PointNet[J]. Science Technology and Engineering, 2024, 24(5): 1963-1971.

[9]	陈秀锋, 赵凤阳, 王成鑫, 等. 基于动态安全车距的车辆跟驰模型及稳定性分析[J]. 科学技术与工程, 2024, 24(5): 2105-2110.

[10]	Chen Xiufeng, Zhao Fengyang, Wang Chengxin, et al. Car-following model and stability analysis based on dynamic safety distance[J]. Science Technology and Engineering, 2024, 24(5): 2105-2110.

[11]	Saputra M R U, Markham A, Trigoni N. Visual SLAM and structure from motion in dynamic environments: a survey[J]. ACM Computing Surveys (CSUR), 2018, 51(2): 1-36.

[12]	Asgari T S, Abhishek K, Cohen J P, et al. Deep semantic segmentation of natural and medical images: a review[J]. Artificial Intelligence Review, 2021, 54(1): 137-178.

[13]	Tang J, Folkesson J, Jensfelt P. Geometric correspondence network for camera motion estimation[J]. IEEE Robotics and Automation Letters, 2018, 3(2): 1010-1017.

[14]	田萱, 王亮, 丁琪. 基于深度学习的图像语义分割方法综述[J]. 软件学报, 2019, 30(2): 440-468.

[15]	Tian Xuan, Wang Liang, Ding Qi. A survey of image semantic segmentation methods based on deep learning[J]. Journal of Software, 2019, 30(2): 440-468.

[16]	He K, Gkioxari G, Dollár P, et al. Mask R-CNN[C]// Proceedings of the IEEE International Conference on Computer Vision. Venice: IEEE, 2017: 2961-2969.

[17]	Bolya D, Zhou C, Xiao F, et al. Yolact: real-time instance segmentation[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision. Seoul: IEEE, 2019: 9157-9166.

[18]	Yan L, Liu D, Xiang Q, et al. PSP net-based automatic segmentation network model for prostate magnetic resonance imaging[J]. Computer Methods and Programs in Biomedicine, 2021, 207: 106211.

[19]	Peng H, Xue C, Shao Y, et al. Semantic segmentation of litchi branches using DeepLabV3+ model[J]. IEEE Access, 2020, 8: 164546-164555.

[20]	张博, 张苗辉, 陈运忠. 基于空间金字塔池化和深度卷积神经网络的作物害虫识别[J]. 农业工程学报, 2019, 35(19): 209-215.

[21]	Zhang Bo, Zhang Miaohui, Chen Yunzhong. Crop pest recognition based on spatial pyramid pooling and deep convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(19): 209-215.

[22]	王霞, 左一凡. 视觉 SLAM 研究进展[J]. 智能系统学报, 2020, 15(5): 825-834.

[23]	Wang Xia, Zuo Yifan. Research progress of visual SLAM[J]. CAAI Transactions on Intelligent Systems, 2020, 15(5): 825-834.

[24]	Shafique K, Lee M W, Haering N. A rank constrained continuous formulation of multi-frame multi-target tracking problem[C]// 2008 IEEE Conference on Computer Vision and Pattern Recognition. Anchorage: IEEE, 2008: 1-8.

[25]	Zhang J, Henein M, Mahony R, et al. VDO-SLAM: a visual dynamic object-aware SLAM system[J]. arXiv prePrint, arXiv: 2005. 11052, 2020.

[26]	Hossen M K, Tuli S H. A surveillance system based on motion detection and motion estimation using optical flow[C]// 2016 5th International Conference on Informatics, Electronics and Vision (ICIEV). Dhaka: IEEE, 2016: 646-651.

[27]	Menze M, Heipke C, Geiger A. Object scene flow[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 140: 60-76.

[28]	张荣芬, 袁文昊, 卢金, 等. 面向室内动态场景的视觉同时定位与地图构建语义八叉树地图构建方法[J]. 激光与光电子学进展, 2022, 59(18): 1811003.

[29]	Zhang Rongfen, Yuan Wenhao, Lu Jin, et al. A semantic octree map construction method for visual SLAM in indoor dynamic scenes[J]. Laser & Optoelectronics Progress, 2022, 59(18): 1811003.