SLAM（Simultaneous Localization and Mapping，同步定位与地图构建）是机器人领域的核心技术，广泛应用于自主移动、自动驾驶和无人机等领域。近年来，关于SLAM的研究重点逐渐转向环境语义信息的感知与建模，以提升机器人对环境的认知层次，支撑更复杂的环境交互任务。其中，物体实例的语义、几何与物理属性的表征与建模，对于支撑机器人实现自然语言指令解析、任务理解与规划、物体操控与场景情景描述等任务至关重要。在多种物体几何建模方法中，对偶二次包络椭球因其参数化紧凑、多视图几何理论基础成熟，被广泛用于刻画物体的语义标签、位姿与尺寸。然而在实际机器人应用中，由于运动模式受限，观测视角基线较小、重复观测不足，导致视觉尤其单目视觉下的物体级语义地图构建面临显著挑战。
针对这一问题为此，广东省科学院智能制造研究所机器人技术团队提出了一种基于概率度量的物体级同步定位与地图构建方法（PMO-SLAM）。该方法提出了显式的7自由度对偶椭球参数化模型，以降低优化空间维度并提高观测数据的初始化效率；同时，构建了基于Wasserstein概率度量的观测与误差模型，增强多视图观测对物体包络估计的约束作用，从而加速了物体地图增量优化的收敛过程，并显著提升地图构建的整体精度。在仿真、公开数据集及真实环境中的实验结果表明，PMO-SLAM在收敛速度与受限视角下的估计精度方面显著优于传统基于几何度量方法，有效缓解了传统方法面临的度量歧义问题，为构建更鲁棒、高效的物体级SLAM系统提供了新的解决思路。
图 椭球体增量优化对比图
图 真实环境实验结果（第一行：四种不同场景；第二行：构建对应的椭球体；第三行：各环境下的机器人运动轨迹）
相关研究成果发表于中科院一区（TOP）期刊IEEE/ASME Transactions on Mechatronics（工程技术类），广东省科学院智能制造研究所林旭滨博士为第一作者，周雪峰研究员为通讯作者，有关工作得到国家重点研发计划重点专项、全国博士后科学基金、国家自然科学基金、广东省自然科学基金、广东省科学院打造综合产业技术创新中心行动等相关项目的资助。
论文信息：Lin, Xubin; Ji, Sehua; Liao, Zhaoyang; He, Li; Zhou, Xuefeng; Zhang, Hong. PMO-SLAM: Enhancing Incremental Optimization With Probabilistic Metrics for Object SLAM, IEEE/ASME transactions on mechatronics,2025, p.1-11.
https://doi.org/10.1109/TMECH.2025.3592707
供稿：机器人技术团队
撰稿：林旭滨 凌翔
审稿：陈碧玉 周雪峰
校稿：郭泽宜 陈春爱
