论文链接：https://arxiv.org/pdf/2401.04791.pdf
代码和数据集链接：https://acl.mit.edu/SOS-SLAM/
摘要
本文介绍了SOS-SLAM：非结构化环境中基于分割的开放集SLAM。本文提出了一种非结构化环境中实现开放集同时定位和建图（SLAM）的新型框架，其使用分割来构建用于定位的目标和目标之间几何关系的地图。本文系统由两部分组成：1）前端建图流程，其使用zero-shot分割模型从图像中提取目标掩膜，并且在帧间跟踪它们以生成基于目标的地图；2）帧对齐流程，其使用目标的几何一致性在各种条件下获取的地图内进行高效定位。与传统的基于特征的SLAM系统或者全局描述子方法相比，这种方法对光照和外观的变化更为鲁棒。这是通过在Batvik季节性数据集上评估SOS-SLAM来建立的，该数据集包括在不同季节和光照条件下在芬兰南部沿海地区由无人机飞行采集的数据。在不同环境条件下的飞行过程中，本文方法实现了比基准方法更高的召回率，其准确率为1.0。SOS-SLAM在参考地图内的定位速度比其它基于特征的方法快14倍，并且地图规模小于其它最紧凑地图规模的0.4%。当从不同的视角考虑定位性能时，本文方法优于相同视角下的所有基准以及不同视角下的大多数基准。SOS-SLAM是一种用于非结构化环境中SLAM的很有前景的新方法，它对光照和外观变化具有鲁棒性，并且比其它方法计算更高效。
主要贡献
本文的贡献总结如下：
1）前端能够重建由分割的目标掩膜构成的车辆地图，其规模小于其它基准地图规模的0.4%，不依赖于对运行环境的先验假设；
2）本文提出了一种使用几何对应搜索和窗口方法关联车辆地图的方法，其比基于特征的数据关联方法快14倍；
3）与经典的基于特征的方法和最先进的视觉位置识别方法相比，SOS-SLAM在不同季节和光照条件下的现实世界飞行中实现了更高的召回率；
4）本文发布了Batvik季节性数据集，其中包括无人机在不同光照条件和季节性外观变化下远距离飞行所采集的数据，以促进对非结构化环境中定位做出新贡献。
论文图片和表格
总结
本文提出了SOS-SLAM，这是一个用于紧凑建图和快速定位的框架，其能够在任何包含可分割目标的开放集环境中运行。地图的紧凑性质很好地为多智能体场景提供流程，其允许在智能体之间实现高效的通信流。通过Batvik室外数据集进行的实验表明，该流程能够在不同季节性条件下具有挑战性的非结构化环境中对齐帧，并且在智能体自身的遍历范围内检测回环。在这两种情况下，由每个智能体生成的参考地图的规模均足够高效且紧凑，足以在通信带宽有限的智能体之间进行通信。
发表回复