基于学习的分层场景图匹配用于利用先验地图的机器人定位

Learning-Based Hierarchical Scene Graph Matching for Robot Localization Leveraging Prior Maps

精确的定位是室内环境自主机器人运行的基本要求。场景图将环境的空间结构编码为语义实体及其关系的层次结构，既可通过机器人传感器数据在线构建，也可从建筑信息模型等建筑先验知识离线生成。将这两种互补表示进行匹配，能够通过将机器人观测与已知结构先验进行对照，从而实现SLAM中的漂移校正。然而，在两者之间建立可靠的节点对应关系仍是一个开放挑战：现有的组合方法在大规模场景下成本过高，而先前的学习方法仅处理平面图匹配，忽略了两种表示中均存在的多层次语义结构。本文提出了一种可学习的端到端可微流水线，通过为两种图额外添加语义驱动的边类型以编码层级内与层级间关系，显式利用这种层次结构实现从高层房间概念到低层墙面的同步匹配。该方法仅基于平面图进行训练，在真实激光雷达环境中的F1指标上优于组合基线方法，同时运行速度快一个数量级，展示了在BIM辅助机器人定位中可行的零样本泛化能力。