SLAM论文速递【SLAM—— MOTSLAM:基于单视图深度估计的运动辅助单目动态SLAMestimation—4.18（1）

论文信息

题目：

MOTSLAM:MOT-assisted monocular dynamic SLAM using single-view depth 
MOTSLAM:基于单视图深度估计的运动辅助单目动态SLAMestimation

论文地址：

https://arxiv.org/pdf/2210.02038.pdf

发表期刊：

2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

标签

目标跟踪算法、联合优化动态静态背景

摘要

本文提出MOTSLAM，一种具有单目配置的动态视觉SLAM系统，可以跟踪动态物体的姿态和边界框。MOTSLAM首先执行多目标跟踪(MOT)，并关联2D和3D边界框检测，以创建初始3D目标。然后，采用基于神经网络的单目深度估计方法获取动态深度特征;最后，使用一种新的光束平差方法联合优化相机位姿、物体位姿以及静态和动态地图点的位姿。

内容简介

MOTSLAM通过单目深度估计解决了单目配置下动态3D结构的模糊性问题。同时，通过将MOT与3D目标检测相结合，MOTSLAM获得了比现有非单目方法更准确的六自由度姿态和周围物体形状。我们的主要贡献如下

第一个视觉SLAM系统，仅以单目帧作为输入，在没有任何运动和物体先验的情况下，可以同时跟踪周围的六自由度动态物体。
在进行低层特征关联之前，首先借助MOT进行对象的高层关联，使得低层关联具有更好的性能和鲁棒性。
通过从MOT中进行关联的3D目标检测来精确初始化对象的姿态和形状，并通过后端对象束调整进行细化。

为了获得准确和鲁棒的动态物体3D结构，将多目标跟踪(MOT)纳入框架。特别是，通过基于2D的MOT技术将检测到的2D和3D边界框关联起来。MOTSLAM有效地结合了几种深度学习技术，包括2D/3D目标检测、语义分割和单视图深度估计。首先使用深度单目深度获取可能的动态特征;然后，采用基于二维检测的MOT算法，该算法首先进行高层特征点的关联，使得低层特征点的关联更加简单和鲁棒，即使在非连续帧中也能实现;

MOTSLAM建立在ORB-SLAM3[25]之上。它以单目序列帧作为输入。对于每一帧，ORB[26]提取与2D/3D目标检测、语义分割和单视图深度估计一起执行。然后应用MOT来创建新对象或将现有对象关联到当前检测。如果一个特征在实例内部有其2D观察结果，则将其分配给该实例并识别为具有语义分割的前景特征。当二维观测值不属于任何实例时，该特征被识别为背景特征。利用估计的深度图计算前景特征的3D位置，并利用物体的姿态在相邻关键帧之间进行关联。最后，对象局部光束平差联合优化相机的位姿、当前物体的位姿以及关联地图点的位姿。

评价

本文提出一种单目动态视觉SLAM，在进行相机跟踪和地图构建的同时，同时跟踪物体的姿态和形状。不同于现有的动态视觉SLAM系统先进行高层目标关联再进行低层特征关联，本文提出首先进行高层目标关联以提供鲁棒且精确的初始化。然后，通过鲁棒初始化来执行低级关联，并通过捆绑调整来优化两者。虽然目前的MOT算法[27]简单有效，但它只利用了二维信息，我们可以利用三维信息对其进行扩展，包括三维边界框和特征，以提高其性能。此外，深度图的质量是整个系统的一个重要限制。为了解决这个问题，可以建立不确定性映射[24]来过滤深度图中的内点，以获得更好的性能。

阅读总结

本文将多目标跟踪算法（MOT）和SLAM（ORB-SLAM3）结合，来解决动态场景中的SLAM问题，个人觉得这个方法比较冗余可能实时性达不到要求。