(一)相关研究
-
传统的动态环境感知算法
- Fang 等和Wang 等采用光流法过滤场景中的移动物体;
- Bakkay用基于光流法的改进场景流来过滤移动物体;
- 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
- 优秀语义分割算法:SegNet [9] 、DeepLab [10] 、Mask-RCNN [11];
- 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;
- 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;
- 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
- 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。
- 提出了一种动态环境下的静态语义地图构建