基于场景识别的自适应地图切换方法，用于资源受限的机器人导航

《Engineering Applications of Artificial Intelligence》：Scene recognition-based adaptive map switching for resource-constrained robotic navigation

　　**摘要**
在自主机器人导航中，平衡环境复杂性和计算效率仍然是一个挑战。传统方法使用二维（2D）或三维（3D）映射。尽管2D投影无法表示高度和悬垂结构，但3D地图会带来计算和内存负担。为了解决这一权衡问题，引入了一种名为自适应地图切换（ADAMS）的框架。ADAMS通过Swift Scene Network（SwiftSceneNet）进行场景识别，实现了平面区域中的2D地图与高度丰富环境中的3D地图之间的实时切换。SwiftSceneNet是一种轻量级的混合卷积神经网络（CNN）-Transformer网络，作为ADAMS框架的一部分开发，用于语义场景理解。它能够以最小的推理延迟整合局部几何和全局上下文线索，从而实现可靠的场景识别以进行自适应切换。ADAMS动态分配计算资源，并仅在执行器结构复杂时使用高保真度的3D表示。仿真和真实世界测试表明，SwiftSceneNet在自定义场景数据集上的F分数（F1-score）达到了98.2%，在Aerial Image Dataset for Emergency Response Applications版本2（AIDERv2）上达到了96.5%，且帧率为25帧每秒（FPS）。与基于Octree的映射（OctoMap）相比，ADAMS降低了32%的中央处理器（CPU）使用率，降低了65.7%的内存消耗；与3D同时定位与绘图（SLAM）相比，降低了58.2%，同时保持了0.06米的平均位移误差（ADE）。

**引言**
自主导航在机器人技术中仍然是一个重大挑战，需要能够实时感知、解释和与复杂环境交互的系统。其成功实施对于包括工业自动化、现场机器人和技术辅助移动平台在内的多种应用至关重要（Nahavandi等人，2025年）。有效导航的一个关键方面是创建既计算效率高又足够详细的地图，以促进准确的路径规划、避障和可通行性评估（Alsadik和Karam，2021年）。环境表示的选择最终决定了效率和地图所需详细程度之间的平衡。2D占用网格地图由于其简单性和最小的计算需求而在地面机器人中得到广泛使用（Tee和Han，2021年；Treljos等人，2022年）。这些2D地图能够有效区分空闲和被占用的空间，从而辅助地面级路径规划。然而，它们通过将高度或悬垂元素归类为空闲空间，本质上简化了环境结构，从而忽略了半结构化或多层环境中进行准确可通行性评估所需的关键空间限制（Lu，2024年）。相比之下，3D映射技术（如体素网格（Wang等人，2023年）、OctoMap（Hornung等人，2013年）和密集LiDAR重建（Wang等人，2021年）通过捕捉高度和复杂几何形状解决了这一限制。尽管如此，这些高级表示仍然带来了显著的计算和内存需求，常常超出必须在实时约束下运行的嵌入式机器人平台的能力（Fisher等人，2021年；Hughes等人，2024年）。为了解决密集3D重建中的计算挑战，最近的研究探索了两种实现高效空间表示的主要策略。一种广泛采用的方法称为自适应映射（Fisher等人，2021年；Islam等人，2024年），该方法根据场景变化动态调整空间分辨率。高兴趣区域以更细的分辨率编码，而周边区域则以较粗的分辨率表示，从而减少了存储和处理需求。虽然这种方法比静态3D映射更具可扩展性，但它需要持续重新分配映射资源和动态数据融合，这引入了显著的管理开销，并在体积更新期间导致时间不一致。另一种方法称为2.5D映射（Bettencourt等人，2025年；Li等人，2021年），它将环境视为平面网格上的离散高度场，通过每个单元的高度估计来捕捉地形变化。这种方法有效降低了计算需求，同时保留了有限的高度信息。然而，每个单元单一高度的假设限制了对多层环境、悬垂物和复杂建筑形式的准确表示。因此，2.5D地图经常无法描绘楼梯、坡道或夹层结构等关键特征，而这些特征对于可靠的可通行性估计至关重要。这些限制凸显了需要一个能够根据环境复杂性灵活调整其维度表示同时保持实时计算效率的映射框架。为了解决这些限制，引入了自适应地图切换（ADAMS）框架，该框架消除了对连续地图重配置和高度场简化的依赖。ADAMS利用语义场景条件动态调整映射模式，在平面区域激活2D地图，在具有高度和结构复杂性的环境中激活3D地图。随后通过混合映射策略将两种模式融合成统一的空间表示，保留了可通行性信息，而不会产生与连续3D处理相关的计算开销。切换策略由SwiftSceneNet指导，这是一个轻量级的CNN-Transformer模型，提供实时的场景语义理解，以指导自适应映射决策。

**主要贡献**
- ADAMS是一种自适应映射框架，使用统一的混合映射策略实现了平面区域中的2D地图与高度丰富环境中的3D地图之间的实时切换。
- 开发了一个轻量级的混合CNN-Transformer模型SwiftSceneNet，用于语义场景识别，以低推理延迟捕获局部空间和全局上下文特征，在自定义数据集上实现了98.2%的F-1分数，在AIDERv2上实现了96.5%的F-1分数（Shianios等人，2023年）。
- 通过合并2D和3D映射输出生成统一地图表示，确保平面和体积信息的高效集成，用于导航和场景理解。
- 在仿真和真实世界环境中的广泛验证表明，与OctoMap（Hornung等人，2013年）相比，CPU使用率降低了32%，内存消耗降低了65.7%；与3D LiDAR SLAM（Sasaki，2021年）相比，降低了58.2%，同时保持了0.06米的平均位移误差（ADE）。

**本文结构**
第2节介绍相关文献回顾。第3节描述了提出的ADAMS框架。第4节介绍了评估指标。第5节概述了实验设置。第6节报告了结果和分析。第7节提供了消融研究。第8节讨论了发现。第9节总结了本文。第10节讨论了局限性，第11节提出了未来工作的方向。

**深度学习在SLAM中的整合**
深度学习越来越多地被整合到同时定位与绘图（SLAM）框架中，以增强在复杂环境中的鲁棒性、适应性和语义意识。一个重要的研究方向是通过将深度物体检测器整合到视觉SLAM流程中来抑制动态物体，以便在优化之前过滤移动区域。例如，Ai等人（2021年）在ORB-SLAM2中加入了You Only Look Once版本4（YOLOv4），并引入了一种方法。

**方法论**
如图1所示，提出的ADAMS框架包括三个核心模块：感知模块、语义场景分类器和映射后端。感知模块收集多传感器数据，包括RGB图像和里程计数据。同时，分类器从相机输入评估场景上下文以确定适当的映射模式。根据识别的场景类型，ADAMS激活2D地图系统或3D地图系统。

**SwiftSceneNet**
ADAMS的评估包括场景识别和映射准确性。分类性能使用总体准确性和宏观平均F1分数进行量化，其中总体准确性反映了全局正确性，宏观平均F1分数在类别不平衡的情况下提供了平衡的评估。映射质量使用基于轨迹的指标进行评估，包括平均位移误差（ADE）和均方根误差（RMSE），这些指标衡量了偏差。

**实验设置**
实验配置包括在真实世界和模拟环境中部署的机器人平台。为了确保公平比较，在两种设置中保持了相同的传感器配置。SwiftSceneNet训练在专用工作站上单独进行。

**结果分析**
ADAMS框架通过在仿真和真实世界环境中进行的一系列全面实验得到了验证。

**消融分析**
进行了有针对性的消融分析，系统地评估了提出的ADAMS框架内各个组件的贡献。每个小节都针对一个特定的实验目标，共同评估了语义条件、自适应地图选择和时间稳定性对系统行为的影响。

**讨论**
尽管没有先前的工作使用场景识别来进行自适应2D/3D地图切换，但2D–3D混合映射框架（Megalingam等人，2023年）采用了一种基于规则的策略，使用超声波倾斜测量来触发3D映射。在该方法中，当倾斜度超过预定义阈值时，会激活体积重建，有效地将3D映射限制在类似楼梯的条件下。尽管作者报告在仿真地图大小上减少了高达98.5%，在映射质量上减少了46.7%。

**结论**
本研究提出了自适应2D/3D地图切换（ADAMS），这是一种情境感知的映射框架，它在自主地面机器人导航中动态调整地图表示以适应环境结构。ADAMS通过SwiftSceneNet（一个在ADAMS框架内开发的轻量级混合CNN-Transformer网络）执行的语义场景识别，实现了平面区域中的轻量级2D地图与高度丰富环境中的详细3D地图之间的实时切换。