SLAM论文速递【动态SLAM】—4.05（2）

论文信息

题目：

Towards Real-time Semantic RGB-D SLAM in Dynamic Environments
 动态环境中实时语义RGB-D SLAM的研究

论文地址：

https://arxiv.org/pdf/2104.01316.pdf

发表期刊：

 2021 IEEE International Conference on Robotics and Automation (ICRA)

标签

改进ORB-SLAM、基于几何和基于语义的结合

摘要

在本文中，我们提出了一种动态环境下的实时语义RGB D SLAM系统，该系统能够同时检测已知和未知的移动目标。为了降低计算成本，我们只对关键帧进行语义分割以去除已知的动态对象，并保持静态地图以进行稳健的摄像机跟踪。此外，我们提出了一种高效的几何模块，通过将深度图像聚类为几个区域，并通过其重投影误差来识别动态区域，从而检测未知运动物体。在公共数据集和真实世界条件下对所提出的方法进行了评估。据我们所知，它是第一个语义RGB-D SLAM系统之一，在低功耗嵌入式平台上实时运行，并在动态环境中提供高定位精度。

内容简介

本文的主要贡献包括:•基于关键帧的语义RGB-D SLAM系统，能够减少动态环境中运动对象的影响。•有效和高效的几何模块，处理未知的移动对象，并与语义SLAM框架相结合。•广泛的评估表明，与最先进的动态SLAM方法相比，我们的方法提供了具有竞争力的精度，同时能够在嵌入式系统上实时运行。

为了处理动态环境中的移动对象，我们同时使用来自输入RGB-D图像的语义和几何信息。具体而言，我们利用基于学习的语义信息方法来处理潜在的动态对象，并提出了一个高效的几何模块来处理未知的移动对象。为了实现对机器人应用至关重要的实时性能，我们仅从具有轻量级网络的关键帧中提取语义线索。我们的系统基于ORB-SLAM2[26]，这是一个基于特征的SLAM系统，主要用于静态环境。由于我们的SLAM是基于稀疏特征的，我们只需要拒绝与移动物体相关的特征点。整体框架如图2所示，其中语义模块和几何模块将在下面介绍。

评价

在大多数现有的基于学习的动态SLAM方法中，我们只在创建一个新的关键帧时执行语义分割，而不是对每个新帧执行语义分割。这大大降低了语义模块的计算成本，帮助我们实现语义信息的实时跟踪。

在本文中，我们提出了一个动态环境的实时语义RGB-D SLAM框架，该框架能够同时处理已知和未知的移动对象。为降低计算成本，提出了一种基于关键帧的语义模块，并引入了一种有效的几何聚类模块来处理未知运动目标。广泛的评估表明，我们的系统提供了最先进的定位精度，同时仍然能够在嵌入式平台上实时运行。在未来，我们计划构建一个只包含静态部分的环境的长期语义地图，这对于高级机器人任务非常有用。