论文信息
题目:
D2SLAM:SEMANTIC VISUAL SLAM BASED ON THE DEPTH-RELATED INFLUENCE ON OBJECT INTERACTIONS FOR DYNAMIC ENVIRONMENTS
D2slam:基于深度对动态环境中对象交互影响的语义视觉slam
论文地址:
https://www.researchgate.net/profile/Ayman-Beghdadi/publication/364381712_D2SLAM_Semantic_visual_SLAM_based_on_the_influence_of_Depth_for_Dynamic_environments/links/6408b7150d98a97717ecae93/D2SLAM-Semantic-visual-SLAM-based-on-the-influence-of-Depth-for-Dynamic-environments.pdf
发表期刊:
标签
几何约束、语义信息、动态特征点
摘要
考虑场景的动态是获得真实vSLAM应用中未知环境的准确感知的最有效的方法。现有的大多数方法试图通过结合几何和语义方法来解决非刚性场景假设,以确定缺乏泛化和场景感知的动态元素。我们提出了一种新的方法,通过使用场景深度信息来提高几何和语义模块的定位精度,从而克服了这些限制。此外,我们使用深度信息通过对象交互模块来确定动态对象的影响区域,该模块估计非匹配和非分段关键点的状态。在TUM-RGBD数据集上得到的结果清楚地表明,所提出的方法优于目前的技术水平。
内容简介
本工作的主要贡献和新颖性如下:•提出了一种在专用的TUM-RGBD数据集上处理场景动态的高效新方法。•介绍了在几何模块和语义模块中分别使用自适应深度相关阈值和影响因子,通过概率函数对关键点状态估计进行细化的过程。•引入了对象交互模块(OIM),该模块考虑到动态对象的影响区域,在不需要额外语义类的情况下估计非匹配和非分段关键点状态。
评价
通过这项研究,我们证明了通过整合动态人的深度和距离信息来考虑关键点的临近性对提高定位鲁棒性的重要性。结合多模态信息使我们能够考虑人与惰性物体之间的相互作用。实验结果令人信服,证明了该方法的有效性。在未来的工作中,我们将利用这种方法来研究与流程优化和减少执行时间相关的其他方面