动态环境下基于语义和光流约束的视觉同步定位与地图构建

（一）相关研究

• 传统的动态环境感知算法

1. Fang 等和Wang 等采用光流法过滤场景中的移动物体；
2. Bakkay用基于光流法的改进场景流来过滤移动物体;
3. Zhao 等人使用深度图像和多视角几何方法检测动态物体。

【注】以上传统算法对光照等环境变化敏感，鲁棒性较差。

• 基于神经网络的动态感知

1. 优秀语义分割算法：SegNet [9] 、DeepLab [10] 、Mask-RCNN [11]；
2. Zhong 等 [12] 使用 SSD 检测图片中的物体,对于先验标记为动态的物体种类,过滤其上的所有特征点,再进行后续的相机位姿估计；
3. Mask-RCNN 和多视角几何方法检测动态物体,并在ORB-SLAM2 系统的基础上 提出 DynaSLAM 算法,DynaSLAM 建立了稠密的点云地图,不利于机器人的存储与使用;
4. Chao 等 [14] 利用 SegNet 获取图像中的语义信息,并结合运动一致性检测来过滤动态物体上的动态点, 在 ORB-SLAM的基础上提出 DS-SLAM 算法，建立了语义八叉树 [15] 地图；

【注】此种动态区分依赖于先验知识，即事先确定哪一种类属于动态物体。 

（二）本文结构

• 主要改进及工作

1. 结合语义分割和光流,提出了一种新的动态特征点过滤算法。在取得较好的过滤效果的同时降低了对先验知识的依赖性。
2. 提出了一种动态环境下的静态语义地图构建