Passage-Aware Structural Mapping for RGB-D Visual SLAM

📄 arXiv: 2604.24707v1 📥 PDF

作者: Ali Tourani, Miguel Fernandez-Cortizas, Saad Ejaz, David Pérez Saura, Asier Bikandi-Noya, Jose Luis Sanchez-Lopez, Holger Voos

分类: cs.RO

发布日期: 2026-04-27

备注: 5 pages, 5 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出一种通道感知的RGB-D视觉SLAM结构化建图方法，用于增强室内机器人导航。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 视觉SLAM RGB-D 结构化建图 通道感知 场景图

📋 核心要点

  1. 现有视觉SLAM框架在室内机器人导航中对门和通道等关键结构元素的探索不足。
  2. 该论文提出了一种通道感知的结构化建图方法，融合几何、语义和拓扑信息，检测门和可通行开口。
  3. 通过在vS-Graphs中集成该方法，丰富了场景图的通道级抽象，并改善了房间连通性建模，实验验证了门口检测的可靠性。

📝 摘要（中文）

本文提出了一种通道感知的RGB-D视觉SLAM结构化建图方法，该方法通过联合融合几何、语义和拓扑线索来检测门和可通行开口，从而实现对室内机器人导航至关重要的结构元素（门和通道）的识别。门被建模为嵌入在墙内的平面实体，并根据其与支撑墙的共面性分类为可通行或不可通行。通道通过两种互补策略推断：从连续关键帧中相机与墙壁交互积累的遍历证据，以及基于映射墙壁几何形状不连续性的几何开口验证。该方法被集成到vS-Graphs中作为概念验证，通过通道级抽象丰富其场景图，并改进房间连通性建模。在室内办公场景序列上的定性评估表明，该方法能够可靠地检测门口，并为在BIM信息化的VSLAM中利用这些元素奠定了基础。源代码已公开。

🔬 方法详解

问题定义：现有视觉SLAM系统在室内环境中，对于门和通道等结构化信息的利用不足，导致机器人导航效率降低，环境理解能力受限。传统方法难以有效区分可通行和不可通行的门，并且缺乏对通道连通性的准确建模。

核心思路：该论文的核心思路是结合几何、语义和拓扑信息，对室内环境中的门和通道进行显式建模。通过将门建模为墙体内的平面实体，并利用相机与墙壁的交互信息推断通道，从而实现对室内环境结构化信息的有效提取和利用。这种方法能够提高SLAM系统的环境理解能力，并为机器人导航提供更可靠的结构化信息。

技术框架：该方法主要包含以下几个模块：1) 门检测：将门建模为墙体内的平面实体，利用几何信息进行初步检测，并结合语义信息（例如，门标签）进行验证。2) 通道推断：通过两种互补策略推断通道：一是基于连续关键帧中相机与墙壁交互积累的遍历证据；二是基于映射墙壁几何形状不连续性的几何开口验证。3) 场景图集成：将检测到的门和通道信息集成到vS-Graphs场景图中，丰富场景图的结构化信息，并改进房间连通性建模。

关键创新：该论文的关键创新在于提出了一种通道感知的结构化建图方法，该方法能够有效地检测门和通道，并将其集成到场景图中。与现有方法相比，该方法能够更准确地识别可通行和不可通行的门，并提供更丰富的结构化信息，从而提高SLAM系统的环境理解能力。

关键设计：在门检测方面，利用RANSAC等算法进行平面拟合，提取墙面，然后检测墙面内的平面区域作为潜在的门。通过语义分割网络识别门标签，过滤掉非门的平面区域。在通道推断方面，通过计算相机在连续关键帧之间的运动轨迹与墙面的距离，累积遍历证据。同时，利用几何信息检测墙面的不连续性，验证通道的存在。具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文在室内办公场景序列上进行了定性评估，结果表明该方法能够可靠地检测门口。通过将检测到的门和通道信息集成到vS-Graphs场景图中，丰富了场景图的结构化信息，并改进了房间连通性建模。虽然论文中没有提供具体的性能数据和对比基线，但实验结果表明该方法具有良好的应用前景。

🎯 应用场景

该研究成果可应用于室内服务机器人、智能家居、增强现实等领域。通过提供更精确的室内环境结构化信息，可以提高机器人的导航效率和环境理解能力，从而实现更智能化的服务。此外，该方法还可以用于构建室内环境的BIM模型，为建筑设计和管理提供支持。

📄 摘要（原文）

Doorways and passages are critical structural elements for indoor robot navigation, yet they remain underexplored in modern Visual SLAM (VSLAM) frameworks. This paper presents a passage-aware structural mapping approach for RGB-D VSLAM that detects doors and traversable openings by jointly fusing geometric, semantic, and topological cues. Doors are modeled as planar entities embedded within walls and classified as traversable or non-traversable based on their coplanarity with the supporting wall. Passages are inferred through two complementary strategies: traversal evidence accumulated from camera-wall interactions across consecutive keyframes, and geometric opening validation based on discontinuities in the mapped wall geometry. The proposed method is integrated into vS-Graphs as a proof of concept, enriching its scene graph with passage-level abstractions and improving room connectivity modeling. Qualitative evaluations on indoor office sequences demonstrate reliable doorway detection, and the framework lays the foundation for exploiting these elements in BIM-informed VSLAM. The source code is publicly available at https://github.com/snt-arg/visual_sgraphs/tree/doorway_integration.