語義slam和多感測器融合是自動駕駛建圖和定位部分比較熱門的兩種技術。語義slam中，語義資訊的資料關聯相較於特徵點的資料關聯有所不同。我們一般用特徵描述子的相似性來匹配和關聯不同影象中的特徵點。特徵點的描述子會受到光照、視角和感測器的影響，不太適用於大尺度長週期的任務，比如自動駕駛的高精度地圖。得益於深度學習的快速發展，這些影響因素對於目標識別、語義分割來說已經不是最本質的困難，因此語義資訊在高精度地圖中越來越受重視。
在slam中，語義資訊的資料關仍然是乙個值得研究的問題。這個問題的關鍵在於，一幅影象中可能檢測出數個相同類別的目標物體，如何能夠正確地將其對應於地圖資料中已有的該類別的3d物體。
在語義slam中，雖然語義目標同樣可以產生某種描述子（比如深度網路中的某些層），但對於相同類別且距離較近的目標，我們可能無法確定合理的對應關係。考慮到影象中的目標（10個左右）並不如特徵點那樣豐富（1000個左右），錯誤的匹配並不方便通過ransac演算法來排除（樣本不足）。
下面列出幾種有用的因素。
利用第一點，我們能夠使用一些簡單的方法建立資料關聯，但此時仍需考慮錯誤關聯的影響。
利用第二點，我們能夠準確地重建出語義目標的幾何特性（空間位置、朝向等）。x-view: graph-based semantic multi-view localization這篇文章將多幀的語義目標位置組合成圖，利用圖匹配演算法求解相機在全域性地圖中的位置（只定位不建圖）。
利用第三點，我們能夠方便地確定關聯關係。比如，行車道上的交通指示牌結合文字ocr識別，能夠唯一確定該路牌的位置，相當於乙個全域性觀測。比如，考慮到交通指示牌相互之間的間距很大，在區域性唯一，因此結合gps和指示牌即可唯一確定該指示牌的位置。根據mobileye的rem的專利描述，它們可能利用了該類資訊。
第四點即是本文想講解的一種方法。
本文主要想介紹一篇基於概率模型的語義定位方法。文章名字是semantic localization via the matrix permanent，是 university of pennsylvania 的grasp實驗室。還有一篇類似的文章，名字是localization from semantic observations via the matrix permanent。他們組後續一篇文章probabilistic data association for semantic slam得了icra2018最佳**獎。
本篇文章的出發點是用概率模型建模資料關聯過程，通過求解後驗概率\(p(z|y,x)\)，利用粒子濾波的框架求解姿態\(x\)。其中，\(z\)是觀測，\(y\)是地圖中的路標點（landmark），\(x\)是姿態（pose）。這裡假設地圖已經建立，其中路標點的位置、類別等資訊已經包含在地圖中。文章的模型基於很少的先驗假設，只需要語義資訊和一些識別演算法的先驗概率，因此有很廣的適用範圍。
這篇文章的創新點個人總結有以下幾點。
先寫這些吧，下次再介紹一些具體的內容。
結合語義和關聯的aspect抽取優化
lifelong learning的aspect抽取工作研究 improving opinion aspect extraction using semantic similarity and aspect associations 使用dp dependency 的語法規則的挖掘方法，有很大的提公...
訊息佇列的消費語義和投遞語義
所謂的消費語義，指的就是如下三種情況 其實類似還有乙個投遞語義 說句實在話，其實還是老問題，只是換了一種問法！ok,開始我們的正文 我們先做如下約定 我們先從投遞語義開始講起，因為要先把這個概念講明白了，才能講消費語義。恰巧，kafka實現了這三種語義，我們以kafka來說明。如何保證訊息最多投遞一...
go 型別的值語義和引用語義
go語言重大部分型別都是基於值語義，包括 1.基本型別 byte,int,bool,float32,float64,string等 2.復合型別 陣列array，結構體struct，指標pointer等 重點來了，c c 中，陣列傳遞是引用語義，但在go中，陣列和基本型別沒啥區別，都是值語義，也就是...