SuMa++

Chen (Bonn) 2019 · 论文

一句话总结 — SuMa++ 在 SuMa 基础上引入了来自 RangeNet++ 的逐点语义信息，通过语义一致性检查将运动物体从面元地图中滤除，并按语义一致程度对 ICP 残差加权，这显著提升了在动态交通场景中的稳健性——同时不会盲目删除停放的汽车。

问题

SuMa——如同大多数激光雷达 SLAM 系统一样——假设世界是静止的：每个扫描点在 ICP 配准中贡献相同的权重。在驾驶场景中，尤其是缺乏明显静态结构的高速公路上，落在持续移动的异常物体（比如交通拥堵中的汽车）上的错误对应关系，会使帧到模型 ICP 锁定在车流上，从而破坏位姿和地图。简单的解决办法——删除所有可移动类别的点——会带来反效果：停放的汽车往往是最具区分度的静态特征，将其移除会使面元地图更加稀疏，配准效果反而更差。系统需要区分真正在移动的物体和可移动但目前静止的物体。

方法与架构

SuMa 流水线在三处被扩展：一个语义分割前端、地图更新中的动态过滤器，以及 ICP 中的语义权重。

• 在距离图上进行语义分割：RangeNet++——一个基于 SqueezeSeg 架构、以 DarkNet53 为骨干网络的 FCN，在 SemanticKITTI 上训练——为球面投影的每个点预测一个标签，生成原始语义掩码 $\mathcal{S}_{\text{raw}}$。每个面元还额外存储所推断的标签 $y$ 及其概率。

• 泛洪填充式标签精化：对块状 CNN 输出进行反投影会引入标签伪影，通过两步减少：腐蚀操作移除邻域（核大小为 $d$）内含有冲突标签的像素，随后基于深度的填充根据顶点图距离一致（在阈值 $\theta$ 内）的邻居，为被腐蚀的边界像素重新赋值，得到精化后的掩码 $\mathcal{S}_D$。

• 通过语义一致性过滤动态物体：在地图更新过程中，新观测 $\mathcal{S}_D$ 的标签会与渲染出的语义世界模型 $\mathcal{S}_M$ 进行核对。不一致的面元——被判定为运动中的物体——会在递归稳定性更新中受到惩罚：

  $$l_s^{(t)} = l_s^{(t-1)} + \mathrm{odds}\left(p_{\text{stable}}\, e^{-\alpha^2/\sigma_\alpha^2}\, e^{-d^2/\sigma_d^2}\right) - \mathrm{odds}(p_{\text{prior}}) - \mathrm{odds}(p_{\text{penalty}}),$$

  因此经过若干次观测后，运动物体的稳定性会降到阈值以下并被移除，而静止的可移动物体（停放的汽车）则作为有价值的配准特征得以保留。

• 语义 ICP：帧到模型的点到平面目标函数变为 $E = \sum_{u \in \mathcal{V}_D} w_u\, r_u^2$，其中 $r_u = \mathbf{n}_u^{\top}\left(\mathbf{T}^{(k)}_{C_{t-1}C_t} \mathbf{u} - \mathbf{v}_u\right)$，用高斯-牛顿法求解，权重为

  $$w_u^{(k)} = \rho_{\text{Huber}}\left(r_u^{(k)}\right) C_{\text{semantic}}\left(\mathcal{S}_D(u), \mathcal{S}_M(u)\right) \mathrm{I}\{l_s^{(k)} \geq l_{\text{stable}}\},$$

  其中当扫描标签与地图标签一致时 $C_{\text{semantic}} = P(y_u|u)$，否则为 $1 - P(y_u|u)$——网络自身的置信度会以柔性方式降低语义不一致对应关系的权重。

• 初始化的注意事项：第一帧扫描中的动态物体无法通过一致性检测发现（此时还没有地图），因此仅在初始化阶段移除所有可移动类别。

实验结果

• KITTI road/raw 序列 30–41（乡村+高速公路；不在里程计基准测试范围内，因此不存在分割训练重叠），相对旋转误差（deg/100 m）/平移误差（%）：SuMa 平均 1.35/6.13 → SuMa++ 平均 1.04/1.46。高速公路序列 35：5.11/26.8 → 2.90/1.11；序列 40：1.09/18.0 → 0.75/1.95；序列 41：1.24/15.6 → 1.14/1.67。
• KITTI 里程计训练集：SuMa 平均 0.36/0.83 → SuMa++ 平均 0.29/0.70（IMLS-SLAM −/0.55，LOAM −/0.84）。朴素基线”SuMa nomovable”在城市序列中发散（平均 23.3/9.24；例如序列 00：22.0/58.0）——移除停放的汽车摧毁了良好的特征。
• KITTI 测试集（服务器端）：旋转误差 0.0032 deg/m，平移误差 1.06%，对比原始 SuMa 的 1.39%。
• 在 Xeon W-2123 + Quadro P4000 上的运行速度：RangeNet++ 平均每次扫描耗时 75 ms，面元建图耗时 48 ms，在整合回环检测时最多耗时 190 ms。

对SLAM的意义

SuMa++ 是最早使用深度分割网络处理动态环境的激光雷达 SLAM 系统之一——这是纯几何方法在交通密集或车流缓慢移动时难以应对的问题。其关键的实证经验——通过地图与扫描间的语义一致性来过滤真正在移动的物体，而不是删除整个可移动类别——成为城市自动驾驶 SLAM 中的标准做法，与 DynaSLAM 在视觉 SLAM 领域所做的工作相呼应。它还巩固了距离图作为学习式激光雷达处理的标准中间表示的地位，并生成了可供下游导航使用的语义标注面元地图。

动手实践

• 运行 SuMa++

相关条目

• SuMa
• Range image
• DynaSLAM
• SemanticFusion
• FAST-LIO2