3D语义地图构建是基于INDEMIND自主开发的3D视觉技术

结合INDEMIND智能决策引擎，可实现智能避障、社区局部作业、识别、人机/物机交互等高层次智能逻辑。此外，在真实场景中，大多数家庭、公司和超市都有三个或三个以上的细分场景，这意味着机器人需要快速准确地了解房间的功能属性，找到相应的房间，并根据不同房间的功能属性进行个性化操作。

随着机器人应用领域从工厂扩展到购物中心、超市等服务领域，工作环境越来越复杂，产品安全、可靠性和智能要求显著提高。首先，机器人不是盲目地加入系统，而是提高环境感知能力，构建更完美的地图。

长期以来，机器人BC6031PQ使用的地图主要是传统的2D格栅地图和拓扑地图，用于指导机器人实现定位、导航、路径规划等功能。然而，这些地图缺乏机器人理解环境、人机/物机交互等业务逻辑的高层次语义信息，使机器人在智能避障、识别和交互方面具有自然劣势。整体智能水平不高，导航地图需要升级。

以超市、餐厅等服务机器人为例，场景特点人员密集，环境复杂，机器人不仅经常与人互动，还需要处理密集的流动人不断动态障碍物或紧急停止安全避免行动，有效完成这些基于环境变化、实时任务的目标需求，意味着机器人不仅可以看到，还可以理解，周围环境心、传统格栅地图、拓扑地图显然不能满足要求。

为了解决这类地图问题，构建包含3D信息的3D语义地图变得越来越重要。

与传统地图一样，3D语义地图也用于机器人的基本导航。区别在于，其地图模型是对真实场景的三维环境重构，包括区域场景信息和场景中每个独立对象的属性信息、空间中的三维模型、位置信息等。使机器人能够理解环境信息，模仿人脑对环境的理解，为实现更高层次的智能操作提供有效支持。

INDEMIND3D语义地图构建技术。

解决感知问题是构建3D语义地图的前提。因此，目前的3D语义地图构建技术主要采用多线激光雷达+视觉/ToF/其他传感器的集成方案，以提高环境感知能力，实现3D语义地图构建，但缺点是成本高，加上三维识别算法和场景切割，系统复杂性高。在技术实现方面，INDEMIND的3D语义地图构建采用单视觉（双目）sensor方案。借助算法优势，可输出完整的场景3D语义信息，与激光集成方案相当甚至超越。

INDEMIND的3D语义地图构建是基于INDEMIND自主开发的3D视觉技术。通过获取双目视觉传感器的3D视觉点云信息，可以快速输出个人物体语义和区域场景语义，结合边缘嵌入式深度学习和VSLAM算法构建3D语义地图。结合INDEMIND智能决策引擎，可实现智能避障、社区局部作业、识别、人机/物机交互等高层次智能逻辑。

此外，在真实场景中，大多数家庭、公司和超市都有三个或三个以上的细分场景。这意味着机器人需要快速准确地了解房间的功能属性，找到相应的房间，并根据不同房间的功能属性进行个性化操作。

因此，为了保证场景理解的准确性，INDEMIND通过整合实现场景理解，根据输出的区域场景语义和个体物体语义。首先，根据获得的区域场景语义信息识别整体特征；其次，根据个体物体的语义识别，识别场景中的一系列独立个体信息，最终通过两相叠加判断实现场景理解。

需要注意的是，单线激光雷达+视觉传感器的集成方案目前广泛应用于清洁机器人。虽然也可以获得场景中的语义信息，但受传感器的限制，它只能识别物体的二维信息，无法构建3D语义地图。

3D语义地图为机器人提供了无限的可能性。

3D语义地图构建技术不仅可以为机器人的自主导航提供基本指导，还可以为识别、智能避障、交互等智能操作的深入开发提供可能。

基于INDEMIND立体视觉技术的区域场景语义和个体化物体语义技术，可快速提取环境中的各种图像特征。结合深入学习，可立体识别行人、动物、固定/移动物体等个体障碍物，避免楼梯、自动扶梯等危险场景，如去年机器人自动扶梯坠落等。

同时，通过识别与显示器匹配的障碍物3D信息，机器人可以进行类似人类的精细操作，以避免动作，使机器人能够预测和实现智能障碍物的策略。

此外，3D语义地图还可以通过语义识别和划分场景中的独立个体和房间信息来实现交互中的精细操作。以现有的清洁机器人为例，它的智能仍然相对较低，仍然停留在一些基本的图像识别和语音交互中。个性化交互粗糙，无法实现独立桌椅清洁等精细交互。3D语义地图为机器人人机/物机交互的深入升级提供了真实的可操作性，如实现目标跟踪、局部清洁等。