SLAM 點雲圖鑑Point clouds for construction
M-01 · 2019

SuMa++

SuMa++ 在 SuMa 的面元建圖流程中加入 LiDAR 語意分割（RangeNet++，於球面投影影像上推論逐點類別），並以深度一致的洪水填充（flood-fill）修正物體邊界的標籤錯誤。更新地圖時若觀測類別與面元類別不一致，就降低該面元的穩定度，使移動物體逐漸被移除，同時保留停放車輛等靜態物體；ICP 殘差也依語意相容性加權以抑制離群值。

具全域修正的完整 SLAM近十年已讀全文同儕審查已出版LOAM 系列與特徵式 LiDAR 建圖

閱讀版本
arXiv 2105.11320v1 (posted 2021-05-24, author upload of the IROS 2019 paper, CC BY 4.0); Sec. IV-V of the IEEE version of record (doi 10.1109/IROS40897.2019.8967704) also read on IEEE Xplore and found textually consistent
全文取得途徑
arXiv 預印本
本頁內容

SuMa++ adds RangeNet++ point-wise semantics to SuMa, using label consistency to remove moving objects from the surfel map and to weight ICP residuals.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

感測輸入3D LiDAR (Velodyne HDL-64E S2 via KITTI)
原文測試平台vehicle (KITTI)
狀態估計SuMa frame-to-model ICP (Gauss-Newton) with residual weights combining Huber, semantic compatibility and surfel stability; SuMa pose graph (Sec. III-B, III-F)
資料關聯projective data association as in SuMa, with per-point labels from RangeNet++ refined by depth-aware flood-fill (Sec. III-C, III-D, III-F)
時間表示discrete scan poses
去畸變原文未報告
迴圈閉合SuMa loop closure and pose-graph optimization (Sec. III-B); semantics not used for loop closure (Sec. V)
全域最佳化pose graph as in SuMa
地圖表示semantically labeled surfel map; semantic inconsistency penalizes surfel stability to remove moving objects (Sec. III-C, III-E)
先驗資訊trained semantic segmentation network (RangeNet++ trained on SemanticKITTI labels of KITTI sequences 00-10 except 08) (Sec. IV)
可輸出幾何semantic surfel map with point-wise labels (Sec. III-C, Fig. 4)
計算需求Intel Xeon W-2123 (8 cores, 3.60 GHz, 16 GB RAM) with Nvidia Quadro P4000 (8 GB); RangeNet++ 75 ms and surfel mapping 48 ms on average per scan, at most 190 ms when integrating loop closures on KITTI sequence 00 (Sec. IV)

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

類別型號（原文寫法）角色資料集原文規格出處
LiDARVelodyne HDL-64E S2歸入：Velodyne HDL-64E資料集感測器KITTI (odometry benchmark and raw road drives)point clouds recorded at 10 Hz (provided by KITTI)(Chen et al., 2019, Sec. IV)
GNSS 接收器inertial navigation system with GPS referenced to a base station (model not stated)參考或真值量測KITTIsource of KITTI ground-truth poses; described as accurate but often only locally consistent(Chen et al., 2019, Sec. IV)
相機front-view camera (model not stated)資料集感測器KITTI rawimage shown only to illustrate the scene; not used by the method(Chen et al., 2019, Fig. 6(c))
運算硬體Intel Xeon(R) W-2123執行運算平台未標示8 cores @3.60 GHz, 16 GB RAM(Chen et al., 2019, Sec. IV)
運算硬體Nvidia Quadro P4000執行運算平台未標示8 GB RAM(Chen et al., 2019, Sec. IV)

論文圖片

只收錄原文以開放授權（open license）釋出的圖片，並依授權條件標示出處、圖號、授權與修改方式。

  • 以 SuMa++ 只用 LiDAR 掃描建立的 KITTI 語意面元地圖，面元顏色代表語意類別

    Fig. 1以 SuMa++ 只用 LiDAR 掃描建立的 KITTI 語意面元地圖，面元顏色代表語意類別

    出處：Chen et al., 2019，Fig. 1。授權：CC BY 4.0。原始圖檔。修改：轉存為 WebP 格式。

  • 系統流程圖：RangeNet++ 語意分割、多類別洪水填充修正、語意動態過濾與語意 ICP 嵌入 SuMa

    Fig. 2系統流程圖：RangeNet++ 語意分割、多類別洪水填充修正、語意動態過濾與語意 ICP 嵌入 SuMa

    出處：Chen et al., 2019，Fig. 2。授權：CC BY 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

  • 動態過濾效果比較中 SuMa++ 的面元地圖，移動車輛被移除而停放車輛保留

    Fig. 4 (panel b)動態過濾效果比較中 SuMa++ 的面元地圖，移動車輛被移除而停放車輛保留

    出處：Chen et al., 2019，Fig. 4 (panel b)。授權：CC BY 4.0。原始圖檔。修改：轉存為 WebP 格式。

  • KITTI 公路序列中 SuMa++ 的點雲地圖，點色代表首次觀測時間，交通標誌一致對齊

    Fig. 6 (panel b)KITTI 公路序列中 SuMa++ 的點雲地圖，點色代表首次觀測時間，交通標誌一致對齊

    出處：Chen et al., 2019，Fig. 6 (panel b)。授權：CC BY 4.0。原始圖檔。修改：轉存為 WebP 格式。

作者報告的優勢與限制

優勢

  • KITTI training average relative errors 0.29 deg/100 m and 0.70%, vs 0.36/0.83 for SuMa (Table II)
  • Consistent maps on KITTI raw road sequences with many consistently moving cars, where SuMa locks onto moving cars (Sec. IV-A, Fig. 6)
  • Naively removing all movable classes (SuMa_nomovable) diverges in urban scenes, while the proposed filtering keeps parked cars (Sec. IV-B)
  • KITTI raw road drives 30-41, which have no semantic labels: average 1.04 deg/100 m and 1.46 % vs SuMa 1.35 deg/100 m and 6.13 %; SuMa reached 26.8 %, 18.0 % and 15.6 % on drives 35, 40 and 41 (Table I, Sec. IV-A)
  • KITTI odometry test server: 1.06 % translational error vs 1.39 % for SuMa, both 0.0032 deg/m rotational (Sec. IV-B)

限制

  • Relies on a network trained with KITTI/SemanticKITTI labels (Sec. IV)
  • Cannot filter dynamic objects in the first observation; many moving objects in the first scan make it fail, so all movable classes are removed during initialization (Sec. IV-C)
  • Semantics not yet used for loop closure detection (Sec. V)
  • On KITTI training sequences its average translational error (0.70 %) is above the IMLS-SLAM value listed in the same table (0.55 %) (Table II)
  • (inference) Table II sequences 00-10 overlap the RangeNet++ training labels (00-10 except 08), so Table II is not a held-out test; the held-out evidence is Table I (unlabeled raw road drives) and the KITTI test-server result (Sec. IV-A, IV-B)
  • (inference) Class taxonomy and training domain (driving scenes) may not transfer to construction-site objects such as machinery, scaffolding and material piles; not tested

營建工程相關證據

原文未報告（僅以 KITTI 驗證；（推論）工地機具與人員等動態物體會污染點雲，語意式動態過濾具參考價值，但需以工地類別重新訓練並驗證）。

原文驗證環境：公開基準

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 15 個比較組，合計 116 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 11 組列在最後，並連到性能比較頁。

Chen et al., 2019 · Table I 本方法 26 筆

表格設定（擷取紀錄原文）：KITTI raw road-category drives 2011_09_26_drive_0015_sync to 2011_10_03_drive_0047_sync renamed 30-41; relative errors averaged over segments of 5 to 400 m (rot deg/100 m, trans %); these drives have no semantic labels, so they are unseen by RangeNet++ (Chen et al., 2019, Table I)

relative rotational error，KITTI raw (road category) · 30

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Chen et al., 2019 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：未對齊；單位：deg/100 m；場景：country

資料來源作者報告值(Chen et al., 2019, Table I)

數值與出處
方法（原文寫法）報告值出處
SuMa0.38 deg/100 m(Chen et al., 2019, Table I)
SuMa_nomovable0.39 deg/100 m(Chen et al., 2019, Table I)
SuMa++本方法原文提出0.38 deg/100 m(Chen et al., 2019, Table I)

Chen et al., 2019 · Table II 本方法 24 筆

表格設定（擷取紀錄原文）：KITTI odometry training sequences 00-10; relative errors averaged over 100 to 800 m segments (rot deg/100 m, trans %); asterisked sequences 00, 02, 05-09 contain loops; RangeNet++ was trained on labels of 00-10 except 08, so this table is not held out; IMLS-SLAM and LOAM rows give translation only and their source is not stated; SuMa_nomovable Average printed as 23.3/9.24, which looks swapped relative to its per-sequence values (reviewer arithmetic), recorded as printed (Chen et al., 2019, Table II)

relative translational error，KITTI odometry (training) · 00

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Chen et al., 2019 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：未對齊；單位：%；場景：urban (loop)

資料來源作者報告值(Chen et al., 2019, Table II)

數值與出處
方法（原文寫法）報告值出處
SuMa0.68%(Chen et al., 2019, Table II)
SuMa_nomovable58%有附註註記（擷取紀錄）：(inference) diverged: authors state SuMa_nomovable diverges, particularly in urban scenes; per-sequence divergence not labelled in the paper(Chen et al., 2019, Table II)
SuMa++本方法原文提出0.64%(Chen et al., 2019, Table II)
IMLS-SLAM [7]0.5%(Chen et al., 2019, Table II)
LOAM [40]0.78%(Chen et al., 2019, Table II)

Pan et al., 2021 · Table II 本方法 16 筆

表格設定（擷取紀錄原文）：KITTI odometry ATE [%] and ARE [deg/100m], averaged over 100-800 m segments; baseline values from original papers and KITTI leaderboard; * = with loop closure; time in s per frame (Pan et al., 2021, Table II)

ATE [%] (average translation error)，KITTI odometry · 00-10 mean

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Pan et al., 2021 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：原文未報告；單位：%；場景：urban, highway, country

資料來源作者報告值(Pan et al., 2021, Table II)

數值與出處
方法（原文寫法）報告值出處
LOAM [10]0.84%(Pan et al., 2021, Table II)
IMLS-SLAM [11]0.52%(Pan et al., 2021, Table II)
MC2SLAM [13]0.52%(Pan et al., 2021, Table II)
S4-SLAM [26]*0.92%(Pan et al., 2021, Table II)
PSF-LO [27]0.74%(Pan et al., 2021, Table II)
SUMA++ [16]*本方法0.7%(Pan et al., 2021, Table II)
LiTAMIN2 [51]*0.85%(Pan et al., 2021, Table II)
LO-Net [18]0.83%(Pan et al., 2021, Table II)
FALO [25]1%(Pan et al., 2021, Table II)
LoDoNet [28]1.27%(Pan et al., 2021, Table II)
MULLS-LO(mc)原文提出0.49%(Pan et al., 2021, Table II)
MULLS-SLAM(mc)*原文提出0.52%(Pan et al., 2021, Table II)
MULLS-LO(s1)原文提出2.57%(Pan et al., 2021, Table II)
MULLS-SLAM(m1)*原文提出0.77%(Pan et al., 2021, Table II)
MULLS-SLAM(m5)*原文提出0.6%(Pan et al., 2021, Table II)
MULLS-SLAM(s5m5)*原文提出0.61%(Pan et al., 2021, Table II)

Ruan et al., 2023 · Table II 本方法 13 筆

表格設定（擷取紀錄原文）：KITTI odometry 00-10, relative translation error; baseline values imported from their published papers (not rerun); SLAMesh without loop closure; w/o Comb. and w/o P2Mesh are ablations (Ruan et al., 2023, Table II)

relative translation error (%)，KITTI odometry · 00

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Ruan et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：原文未報告；單位：%；場景：urban, country and highway driving

資料來源作者報告值(Ruan et al., 2023, Table II)

數值與出處
方法（原文寫法）報告值出處
LOAM0.78%(Ruan et al., 2023, Table II)
A-LOAM0.97%(Ruan et al., 2023, Table II)
Suma0.7%(Ruan et al., 2023, Table II)
Suma++本方法0.64%(Ruan et al., 2023, Table II)
Litamin20.7%(Ruan et al., 2023, Table II)
Puma1.46%(Ruan et al., 2023, Table II)
SLAMesh (Ours) Full原文提出0.77%(Ruan et al., 2023, Table II)
SLAMesh w/o Comb.原文提出0.96%(Ruan et al., 2023, Table II)
SLAMesh w/o P2Mesh原文提出0.7%(Ruan et al., 2023, Table II)

其他比較組

列出其餘 11 個比較組

來源

  • Chen et al., 2019

    Xieyuanli Chen, Andres Milioto, Emanuele Palazzolo, Philippe Giguère, Jens Behley, Cyrill Stachniss（2019）SuMa++: Efficient LiDAR-based Semantic SLAM2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 4530-4537

    DOI 10.1109/iros40897.2019.8967704arXiv 2105.11320程式碼

    同儕審查已出版已讀全文近十年查證後修正

程式碼：https://github.com/PRBonn/semantic_suma（授權：MIT (LICENSE file)）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉