论文信息
题目:该论文比较早
Robust Monocular SLAM in Dynamic Environments
动态环境下的鲁棒性单目SLAM
论文地址:
https://ieeexplore.ieee.org/abstract/document/6671781
发表期刊:
2013 IEEE International Symposium on Mixed and Augmented Reality (ISMAR)
标签
动态离群点剔除、改进RANSC算法、重投影误差
摘要
我们提出了一种新型的实时单目SLAM系统,它可以在动态环境中稳健地工作。与传统的方法不同,我们的系统允许场景的一部分是动态的或整个场景逐渐变化。关键的贡献是我们提出了一种新型的在线关键帧表示和更新方法来适应动态环境的模型,其中外观或结构变化可以被有效地检测和处理。 由于闭塞引起的外观变化也可以被可靠地检测和处理。有大面积变化的关键帧将被新选择的帧取代。 此外,我们提出了一种新的基于先验的自适应RANSAC算法(PARSAC),即使在离群点比率相当低的情况下也能有效地去除离群点,因此即使在非常具有挑战性的情况下也能可靠地估计摄像机的姿势。
内容简介
与传统的SLAM或PTAM方法不同,我们的系统采用了带有关键帧的SIFT特征,这对于快速的相机移动和全局重新定位更为可靠。通过将附近的关键帧投影到当前帧进行外观和结构比较,可靠地检测到变化的区域。 我们还提出了一种基于先验的自适应RANSAC方法,以有效地找到离群点匹配,即使离群点比率相当低。基于上述技术,我们的系统可以在有许多大型移动物体和显著的局部光照变化的挑战性情况下工作,这对以前的工作来说是非常困难的。
评价
我们的系统仍然有一些局限性。如果一个物体移动得太快,对于该物体上的点x,默认的r1可能不足以检测到邻近的点y,所以我们的系统会认为x被另一个移动的物体遮挡而保持V(X)=1。 然而,如果有太多这样的点发生了变化,但仍然保留在地图中,而被移动的物体仍然在场景中,我们的特征匹配将有歧义,SLAM可能会失败。一个极端的情况是,大多数物体正在快速变化,没有足够的静态点来进行强大的摄像机姿势估计。 在这种情况下,我们的系统可能无法准确地恢复相机的姿势。此外,像PTAM一样,我们目前的系统也仅限于在小空间内工作,因为实时的捆绑调整对于大规模的场景来说仍然是难以解决的。此外,在我们目前的实施中,我们为所有重建的三维特征建立了一个KD树。 由于2NN启发式的SIFT特征匹配过度依赖特征的独特性,如果KD-Tree中的3D特征数量变得非常大或者场景中包含许多重复的结构,它可能会出现问题。