动态环境下SLAM

当搭载相机的移动载体在执行定位和建图等任务时，面对环境中出现的动态物体，需要考虑以下3 个问题：
1.对移动物体如何检测、分割和跟踪？
2.如何消除动态物体对位姿估计的影响，保持系统的鲁棒性？
3.构建地图时对运动物体如何处理，是直接丢弃还是跟踪重建？
针对上述问题，根据动态SLAM 在定位与建图时对动态物体的不同处理方式，将现有动态SLAM的研究分为3 个方向：
一是动态鲁棒性SLAM 与静态背景重建，即将动态特征作为异常值丢弃，实现精准定位，并在建图时剔除动态物体，构建3 维稠密静态背景地图或语义地图；
二是非刚性动态物体跟踪重建，即直接忽略静态背景，只对场景中的非刚性动态物体进行跟踪重建；
三是移动物体跟踪与重建，即同时处理场景中的静态和动态成分，跟踪移动物体，确保其上的特征不被用于相机位姿估计，以保证系统鲁棒性，或者更进一步，同时估计相机运动和移动物体运动，且对多移动刚性物体进行跟踪重建，并添加到背景地图中。
针对环境中的动态物体，关于vSLAM 的一个直接想法是从输入数据中提取动态成分，并将其作为异常值而明确丢弃，不参与位姿估计与建图。在典型vSLAM 方案中ORB-SLAM系统利用RANSAC （random sample consensus）算法进行外点过滤，而在PTAM（parallel tracking and mapping）方法中则使用鲁棒核函数进行处理，以应对场景中的小移动物体。
一、基于几何的方法：
1.定义两个几何约束来检测动态特征；
第1个约束来自对极几何，该约束指出在后续视图中的匹配点应位于相应的对极线上。如果跟踪的特征离极线太远，则很可能是动态特征。
第2个约束是FVB（flow vector bound），其目的是检测3D 点沿对极线移动的情况。对特征点的位移设置上下边界，检测结果中的那些位于边界外的特征点则很可能是动态特征。最后，通过贝叶斯滤波器来确定特征是否为动态特征。
2.利用重投影误差；
重投影的距离不同；
二、基于光流的方法：
1.基于RGB-D 的DS-SLAM
5个并行线程：跟踪、语义分割、局部建图、闭环检测和稠密的语义八叉树地图构建。首先提取ORB特征点，然后对这些特征点进行移动一致性检测，若特征点到极线的距离超过一定阈值，则记录为潜在动态点．同时，语义分割线程并行运行，将ORB其分割结果与跟踪线程特征点相结合．如果之前检测的潜在动态点落在分割的物体内，并且其数量大于一定阈值，则将该物体确定为移动状态，并丢弃该物体上所有特征点．然后，根据剩余的静态特征点，计算转换矩阵。

缺点：
但是，在低动态序列上性能的提高并不明显，而且在实验中所针对的动态物体只是人。
2.基于单目、双目、RGB-D的DynaSLAM
在使用单目或双目相机时，仅利用实例分割网络Mask R-CNN逐像素分割帧中的先验动态物体（例如人和汽车），令SLAM 算法不会在该物体上提取特征．而在使用RGB-D 相机的情况下，除了利用Mask R-CNN 网络来分割先验动态物体以外，还利用多视图几何法来检测潜在移动物体，比如被人移动的椅子．利用多视图几何法来判断关键点是否为动态点的详细过程。然后通过区域生长算法在建图线程中剔除所有动态像素，从而完成静态稠密地图的构建。

三、结合深度学习的方法：
四、多移动物体刚性重建

对于自动驾驶车、协作机器人和服务机器人，仅识别动态物体不足以实现安全有效的导航和工SLAM作。如果机器人系统中能够对场景中的动态物体（尤其是人类）进行推理并预测其行为或意图，将推动机器人技术向未来迈进一大步。