目录
1 Existing surveys on dynamic SLAM or its components
3 Low-level-feature-based dynamic SLAM
5.2 Dynamic feature reconstruction and 3D object tracking
5 Using high-level features in dynamic SLAM
6.1 Using high-level features as semantic priors for low-levelfeature-based SLAM
6.2 Using high-level features in object SLAM
7.1 Using high-level features in point-based SLAM
摘要:近年来,动态环境下的同时定位与建图(动态SLAM)引起了学术界和工业界的广泛关注。一些开创性的工作扩展了机器人应用的潜力。与静态世界假设下的标准SLAM相比,动态SLAM将特征分为静态和动态两类,并适当利用每种类型的特征。因此,动态SLAM可以为在复杂动态环境中操作的智能机器人提供更强大的定位能力。此外,为了满足一些高级任务的需求,动态SLAM可以与多目标跟踪相结合。本文从特征选择的角度对动态SLAM进行了调查。本文还讨论了不同视觉特征的优缺点。
关键词:动态同时定位与建图、多目标跟踪、数据关联、目标同时定位与建图、特征选择
0 Introduction
为了让智能机器人与人类一起工作,机器人必须能够确定自己的位置。同时定位与建图(SLAM)是解决这个问题的常用方法。在缺乏全局位置信息的区域,如隧道和室内场景中,SLAM被认为是智能机器人自我定位的重要技术。基于视觉的SLAM(VSLAM)的主要问题是从具有时间关系的图像序列中提取和匹配一系列视觉特征,以及如何利用这些特征同时估计相机姿态并构建一致的未知场景的三维结构。为了解决这些问题,V-SLAM系统通常包含一组通用模块,包括特征跟踪、地图构建和闭环检测以进行误差漂移校正。这些模块的实现细节因许多因素而异,包括所使用的视觉传感器类型、特征利用和优化方法。 </