SLAM论文速递【SLAM——动态场景下基于YOLOv5的视觉SLAM建图】—4.05（3）

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;