ЕВОЛЮЦІЯ СЕМАНТИЧНОЇ СЕГМЕНТАЦІЇ У ВІЗУАЛЬНОМУ SLAM: ІНТЕГРАЦІЯ ОДНОСТАДІЙНИХ ДЕТЕКТОРІВ ТА МЕТОД АДАПТИВНОГО ЗВАЖУВАННЯ ОЗНАК

Анотація

У статті
досліджено еволюцію методів семантичної сегментації в задачах одночасної локалізації та
побудови карти (SLAM) для динамічних середовищ. Проаналізовано парадигмальний перехід від
високонавантажених двостадійних архітектур (Mask R-CNN) до оптимізованих одностадійних
моделей (YOLO), що уможливлюють функціонування в режимі реального часу. Ідентифіковано
фундаментальну ваду існуючих систем: застосування жорсткого (бінарного) відбракування ознак,
що спричиняє перманентну втрату геометричної інформації від статичних об'єктів апріорі
динамічних класів. З метою розв'язання зазначеної задачі запропоновано інноваційну математичну
модель «м'якого штрафу» (Soft-Penalty Model). Цей конструкт призначено для адаптивної
модифікації матриці коваріації шуму в розширеному фільтрі Калмана на основі індексу
семантичної впевненості нейронної мережі.
Ключові слова: SLAM, семантична сегментація, фільтр Калмана, динамічне середовище,
локалізація, безпілотні системи, згорткові нейронні мережі

Список використаної літератури
1. Mur-Artal R., Montiel J. M. M., Tardos J. D. ORB-SLAM: A Versatile and Accurate
Monocular SLAM System. IEEE Transactions on Robotics. 2015. Vol. 31, no. 5. P. 1147–1163.
URL: https://doi.org/10.1109/tro.2015.2463671.
2. Choi K.-S., Lee S.-G. Enhanced SLAM for a mobile robot using extended Kalman Filter
and neural networks. International Journal of Precision Engineering and Manufacturing. 2010. Vol.
11, no. 2. P. 255–264. URL: https://doi.org/10.1007/s12541-010-0029-9.
3. Bescos B., Fácil J. M., Civera J., Neira J. DynaSLAM: Tracking, Mapping, and Inpainting
in Dynamic Scenes. IEEE Robotics and Automation Letters. 2018. Vol. 3, no. 4. P. 4076–4083.
4. Wadud, R. A., & Sun, W. (2022). DyOb-SLAM: Dynamic Object Tracking SLAM System.
arXiv. URL: https://doi.org/10.48550/arXiv.2211.01941.
5. Jocher G. et al. YOLO by Ultralytics (Version 11). 2024. URL:
https://github.com/ultralytics/ultralytics.
6. Wang C. et al. Applying SLAM Algorithm Based on Nonlinear Optimized Monocular
Vision and IMU in the Positioning Method of Power Inspection Robot in Complex Environment.
Mathematical Problems in Engineering. 2022. Vol. 2022. P. 1–14. URL:
https://doi.org/10.1155/2022/3378163Kim, A., Osep, A., & Leal-Taixe, L. (2021). EagerMOT: 3D
Multi-Object Tracking via Sensor Fusion.
7. Liu H. Identifying and updating local optimization methods in extended Kalman filter
SLAM. Applied and Computational Engineering. 2023. Vol. 4, no. 1. P. 569–573. URL:
https://doi.org/10.54254/2755-2721/4/2023325