SOF-SLAM论文阅读笔记

SOF-SLAM：A Semantic Visual SLAM for Dynamic Environment 2019.10.22

论文出发点：

对于动态场景的SLAM系统，如今一般采用语义信息，要么利用几何信息，或者简单结合的方法进行动态物体检测。

针对问题：

高动态场景的语义地图建立。

方案：

基于RGBD视频流的ORBSLAM2模型，提出一种动态特征提取方法：语义光流法（Semantic Optical Flow—SOF）。
SOF具体作用方式：结合运动前的语义信息（由SegNet获得），辅助对极几何的计算，然后过滤掉真正的动态特征。将仅保留了剩余的静态特征送入跟踪优化模块，实现了动态环境下相机姿态的精确估计。

具体实现：

整个系统与ORBSLAM区别就在于跟踪线程新增了SOF模块。接下来将介绍一下SOF，框图如下所示:

语义的运动先验信息的含义是，根据物体的语义标签