是一篇来自机器人顶刊T-RO的文章，发表于2023.5。

An Object SLAM Framework for Association, Mapping, and High-Level Tasks

论文：An Object SLAM Framework for Association, Mapping, and High-Level Tasks | IEEE Journals & Magazine | IEEE Xplorehttps://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10128836

 摘要：

Object SLAM在机器人的高级感知和决策中被认为越来越重要。现有研究在数据关联、对象表示和语义建图方面存在不足，并且经常依赖于额外的假设，限制了它们的性能。

在本文中，我们提出了一个综合的ObjectSLAM框架，专注于基于Object的感知和面向Object的机器人任务。首先，我们提出了一个集成数据关联方法，通过结合参数化和非参数化统计测试来关联复杂条件下的对象。

此外，我们提出了一个鲁棒的离群值鲁棒的质心和尺度估计算法，基于iForest和线对齐来建模对象。然后，通过估计的通用对象模型表示一个轻量级的、面向对象的地图。

考虑到对象的语义不变性，我们将对象地图转换为拓扑地图，以提供语义描述符，实现多地图匹配。

最后，我们提出了一种基于对象驱动的主动探索策略，在抓取场景中实现自主建图。

我们使用一系列公共数据集和真实世界的结果来评估所提出的对象SLAM框架的高效性能，包括建图、增强现实、场景匹配、重定位和机器人操作等方面。

关键词—增强现实、数据关联、机器人技术、语义建图、视觉SLAM。

 主要贡献：

本文的贡献总结如下：

1）我们提出了一种集成数据关联策略，可以有效地聚合对象的不同测量结果，提高关联准确性。

2）我们提出了一种基于iForest和线对齐的对象姿态估计框架，该框架对离群值具有鲁棒性，并可以准确估计对象的姿态和大小。

3）我们构建了一个轻量级的面向对象的地图，使用通用模型，并在此基础上开发了一个能够考虑遮挡和碰撞的增强现实应用程序。

4）我们将对象地图扩展为拓扑地图，并设计了一个基于参数化对象信息的语义描述符，实现多场景匹配和基于对象的重定位。

5）我们将object SLAM与机器人抓取任务相结合，提出了一种基于对象驱动的主动探索策略，考虑对象观测的完整性和姿态估计的不确定性，实现精确的对象建图和复杂的机器人抓取。

6）我们提出了一个全面的对象SLAM框架，探索了关键挑战，并在各种场景和任务中展示了其实用性。

图3. 对象参数化和iForest的演示。 (a-c) 对象参数化的演示。 (d-e) iForest的演示。 

 图4. 线对齐以初始化对象方向。 (a) 在2D图像中进行对象和线的检测。 (b-d) 在3D空间中进行角度采样。 (e-g) 角度采样过程在2D图像中的投影。 

图5. 语义拓扑地图和对象描述符。 (a) 实际场景。 (b) 对象级地图。 (c) 语义拓扑地图。 (d) 随机游走描述符。 (e) 单个描述符的3D矩阵可视化。

图7. 观测完整性测量的示意图。左侧：原始图像。中间：带有点云的对象。右侧：带有表面格点的对象。 

  图8. 对象驱动探索的示意图。 (a) 探索中信息增益的不同定义。(b) 在不同相机视角下的信息增益。