Построение компактных графов сцены на основе топологической карты для автономной навигации мобильного робота

Автономная навигация мобильного робота в человеко-ориентированных средах требует наличия карты, которая является не только геометрической моделью среды для планирования маршрутов, но также содержит информацию об объектах среды (двери, мебель, офисная техника и т.д.). Такое представление карты обеспечивают графы сцены, в которых вершинами являются помещения, локации и объекты, а ребра кодируют пространственные связности или отношения между объектами. Большинство современных методов построения графов сцены обладают высокой вычислительной сложностью, и построенные ими графы являются избыточными для обеспечения автономной навигации робота. В данной работе предлагается метод построения компактных графов сцены (Compact Scene Graph, CSG), в основе которого лежит вычислительно эффективный метод топологического картирования PRISM-TopoMap и привязка семантических объектов к локациям топологической карты. Построенный граф сцены позволяет строить маршруты до объектов по локациям топологической карты и осуществлять локализацию с высокой точностью. Предложенный метод был экспериментально исследован в симуляционной среде Habitat. Результаты экспериментов показали, что предложенный CSG потребляет значительно меньше памяти, чем традиционные метрические карты и графы сцен, и обеспечивает надежную локализацию по топологической карте за счет привязки к семантическим объектам.

1. Labb´e, M. RTAB-Map as an open-source lidar and visual simultaneous localization and mapping library for large-scale and long-term online operation / M. Labb´e, F. Michaud // Journal of Field Robotics. – 2019. – Vol. 36, No. 2. – P. 416–446. – DOI 10.1002/rob.21831.

2. GLIM: 3D range-inertial localization and mapping with GPU-accelerated scan matching factors / K. Koide, M. Yokozuka, S. Oishi, A. Banno // Robotics and Autonomous Systems. – 2024. – Vol. 179. – P. 104750. – DOI 10.1016/j.robot.2024.104750.

3. Muravyev, K. Evaluation of RGB-D SLAM in large indoor environments / K. Muravyev, K. Yakovlev // International Conference on Interactive Collaborative Robotics. – 2022. – P. 93–104. – DOI 10.1007/978-3-031-23609-9_9.

4. Muravyev, K. Evaluation of topological mapping methods in indoor environments / K. Muravyev, K. S. Yakovlev // IEEE Access. – 2023. – Vol. 11. – P. 132683–132698. – DOI 10.1109/ACCESS.2023.3335818.

5. PRISM-TopoMap: Online topological mapping with place recognition and scan matching / K. Muravyev, A. Melekhin, D. Yudin, K. Yakovlev // IEEE Robotics and Automation Letters. – 2025. – Vol. 10, No. 4. – P. 3126–3133. – DOI 10.1109/LRA.2025.3541454.

6. Topological semantic graph memory for image-goal navigation / N. Kim, O. Kwon, H. Yoo [et al.] // Proceedings of the 6th Conference on Robot Learning (CoRL), PMLR. – 2023. – Vol. 205. – P. 393–402.

7. Clio: Real-time task-driven open-set 3D scene graphs / D. Maggio, Y. Chang, N. Hughes [et al.] // IEEE Robotics and Automation Letters. – 2024. – Vol. 9, No. 10. – P. 8921–8928. – DOI 10.1109/LRA.2024.3451395.

8. Hughes, N. Hydra: A real-time spatial perception system for 3D scene graph construction and optimization / N. Hughes, Y. Chang, L. Carlone // arXiv. – 2022. – arXiv:2201.13360. – DOI 10.48550/arXiv.2201.13360.

9. Khronos: Middleware for simplified time management in CPS / S. Peros, S. Delbruel, S. Michiels [et al.] // Proceedings of the 13th ACM International Conference on Distributed and Event-based Systems. – 2019. – P. 127–138. – DOI 10.1145/3328905.3329507.

10. Habitat: A platform for embodied AI research / M. Savva, A. Kadian, O. Maksymets [et al.] // Proceedings of the IEEE/CVF International Conference on Computer Vision. – 2019. – P. 9338–9346. – DOI 10.1109/ICCV.2019.00943.

11. A modular robotic system for autonomous exploration and semantic updating in large-scale indoor environments / S. H. Allu, I. Kadosh, T. Summers, Y. Xiang // arXiv. – 2024. – arXiv:2409.15493. – DOI 10.48550/arXiv.2409.15493.

12. Carpenter, G. A. Adaptive resonance theory : Tech. Rep. / G. A. Carpenter, S. Grossberg. – Boston, MA, USA : Boston University, Center for Adaptive Systems and Department of Cognitive and Neural Systems, 1993.

13. TopoNav: Topological navigation for efficient exploration in sparse reward environments / J. Hossain, A. Z. M. Faridee, N. Roy [et al.] // 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). – 2024. – P. 693–700. – DOI 10.1109/IROS58592.2024.10802380.

14. SemanticTopoLoop: Semantic loop closure with 3D topological graph based on quadric-level object map / Z. Cao, Q. Zhang, J. Guang [et al.] // IEEE Robotics and Automation Letters. – 2024. – Vol. 9, No. 5. – P. 4257–4264. – DOI 10.1109/LRA.2024.3374169.

15. Learning 3D semantic scene graphs from 3D indoor reconstructions / J. Wald, H. Dhamo, N. Navab, F. Tombari // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2020. – P. 3961–3970. – DOI 10.1109/CVPR42600.2020.00402.

16. Exploiting edge-oriented reasoning for 3D point-based scene graph analysis / C. Zhang, J. Yu, Y. Song, W. Cai // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2021. – P. 9705–9715. – DOI 10.1109/CVPR46437.2021.00958.

17. SGFormer++: Semantic graph transformer for incremental 3D scene graph generation / M. Qi, C. Lv, Z. Fu [et al.] // arXiv. – 2026. – arXiv:2606.15328. – DOI 10.48550/arXiv.2606.15328.

18. Learning transferable visual models from natural language supervision / A. Radford, J. W. Kim, C. Hallacy [et al.] // Proceedings of the 38th International Conference on Machine Learning, PMLR. – 2021. – Vol. 139. – P. 8748–8763.

19. SGRec3D: Self-supervised 3D scene graph learning via object-level scene reconstruction / S. Koch, N. Vaskevicius, M. Colosi [et al.] // Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. – 2024. – P. 3392–3402. – DOI 10.1109/WACV57701.2024.00337.

20. vS-Graphs: Integrating visual SLAM and situational graphs through multi-level scene understanding / A. Tourani, S. Ejaz, H. Bavle [et al.] // arXiv. – 2025. – arXiv:2503.01783. – DOI 10.48550/arXiv.2503.01783.

21. S-Graphs+: Real-time localization and mapping leveraging hierarchical representations / H. Bavle, J. L. S´anchez-L´opez, M. Shaheer [et al.] // IEEE Robotics and Automation Letters. – 2023. – Vol. 8, No. 8. – P. 4927–4934. – DOI 10.1109/LRA.2023.3290512.

22. ConceptGraphs: Open-vocabulary 3D scene graphs for perception and planning / Q. Gu, A. Kuwajerwala, S. Morin [et al.] // 2024 IEEE International Conference on Robotics and Automation (ICRA). – 2024. – P. 5021–5028. – DOI 10.1109/ICRA57147.2024.10610243.

23. Grounding DINO: Marrying DINO with grounded pre-training for open-set object detection / S. Liu, Z. Zeng, T. Ren [et al.] // Computer Vision – ECCV 2024, Springer. – 2024. – Vol. 47. – P. 38–55. – DOI 10.1007/978-3-031-72970-6_3.