本文探讨了运动一致性检测在动态场景SLAM中的重要性，通过非参数统计和聚类方法实现RGB-D视觉里程计，解决IMU与视觉测量值之间的运动冲突。介绍了基于k-means聚类的图片分割和残差模型，利用t分布建立非参数统计模型来判断静态和动态部分。同时，文章还提到了基于IMU的运动冲突检测、利用DNN提取动态区域以及光学流方法在运动检测中的应用。
直至以来，SLAM的研究共朝着三个方向努力：精度、速度、鲁棒性。尤以鲁棒性居多。通常动态场景中，根据IMU测量值与视觉测量值分别进行计算得到的结果会有所不同。因此需要进行一致性的检测，以得到真值。本文将主要讲运动一致性检测。
运动一致性判断
基于聚类将图片分割之后获得的区域需要判断其运动一致性以分离动态物体和静态背景。
目的：对图片中各部分进行运动一致性判断以分离出目标和背景。
下面介绍各个论文中的判断方法
Nonparametric Statistical and Clustering Based RGB-D Dense Visual Odometry in a Dynamic Environment
该论文将RGB图片与深度图结合后进行k均值聚类以实现图片分割
过程：
- 进行k-means聚类
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
