论文信息
题目:
Visual SLAM Mapping Based on YOLOv5 in Dynamic Scenes
动态场景下基于YOLOv5的视觉SLAM建图
论文地址:
https://www.mdpi.com/2076-3417/12/22/11548/pdf
发表期刊:
Journals Applied Sciences Volume 12 Issue 22 10.3390/app122211548
标签
yolov5结合orbslam2、语义分割、动态目标点剔除
摘要
文中提出了一种基于ORB-SLAM2算法结合YOLOv5网络的映射方法。首先,利用跟踪线程的YOLOv5网络对每一帧进行动态对象检测,得到带有动态信息检测的关键帧;其次,利用YOLOv5网络检测每帧图像的动态对象,并拒绝检测出的动态点;最后,剔除高动态对象后,利用关键帧构建全局映射图。使用TUM数据集的测试结果表明,在动态环境中构建地图时,与ORB-SLAM2算法相比,所提算法的绝对轨迹误差降低了97.8%,相对位置误差降低了59.7%。与DynaSLAM相比,跟踪每帧图像的平均耗时提高了94.7%。在算法实时性方面,该算法明显优于同类动态SLAM建图算法DynaSLAM
内容简介
本文的主要贡献如下:1。将深度学习目标检测网络YOLOv5应用于SLAM建图系统,使SLAM系统能够进行快速的目标检测和分割;提出一种基于深度学习网络YOLOv5结合LK光流法的动态目标二次检测方法,能够有效去除点的动态特征区域的动态特征;基于ORB-SLAM2系统,成功构建了一个新的SLAM制图系统。本文的结构如下:第1节详细介绍了ORB-SLAM2算法和YOLOv5网络结构的原理以及各模块的功能。第二部分对ORB-SLAM2算法进行了改进,并详细描述了动态特征点的剔除原理。
评价
本文提出的基于YOLOv5网络的动态SLAM建图系统虽然可以消除环境中的大部分动态对象,并能提高建图和轨迹预测的精度,但也存在一定的局限性。当环境中的动态对象长时间静止时,会掩盖静态背景,导致地图构建不准确,该算法对其进行检测和剔除。遮挡的静态背景区域会产生较大的误差。因此,在未来的工作中,我们的研究将主要集中在遮挡区域的恢复上。首先利用分割网络将遮挡区域与遮挡目标一起分割出来,然后将分割后的区域掩蔽为遮挡背景、遮挡目标和未遮挡背景3部分。然后根据未遮挡背景去除遮挡目标并预测遮挡背景,以恢复遮挡背景;