动态SLAM论文(2) — DynaSLAM: Tracking, Mapping and Inpainting in Dynamic Scenes

目录

0 Introduction

1 Related work

2 System description

3 Experimental results

4 Conclusions

---

摘要 - SLAM算法中的典型假设是场景刚性的假设。这样强大的假设限制了大多数视觉SLAM系统在人口稠密的现实世界环境中的使用，这些环境是多个相关应用的目标，如服务机器人或自动驾驶车辆。本文介绍了DynaSLAM，这是一个建立在ORB-SLAM2[1]基础上的视觉SLAM系统，它增加了动态物体检测和背景修复的能力。DynaSLAM在单目、立体和RGB-D配置下对动态场景非常稳健。我们能够通过多视角几何、深度学习或两者结合来检测移动物体。拥有场景的静态地图允许修复被这些动态物体遮挡的帧背景。我们在公开的单目、立体和RGB-D数据集上评估了我们的系统。我们研究了几种准确性/速度折衷的影响，以评估所提出方法的限制。DynaSLAM在高度动态的场景中超过了标准视觉SLAM基线的准确性。它还估计了场景静态部分的地图，这对于在现实世界环境中进行长期应用是必需的。

0 Introduction

        SLAM是许多机器人应用的先决条件，例如无碰撞导航。SLAM技术从其机载传感器的数据流中联合估计未知环境的地图和机器人在该地图中的位姿。地图允许机器人在相同环境中持续定位，而不会积累漂移。这与在局部窗口内集成增量运动估计的里程计方法不同，当重新访问地点时无法纠正漂移。

        视觉SLAM主要传感器是相机，近年来受到了高度的关注和研究。用单目相机的方案在尺寸、功耗和成本方面具有实际优势，但也存在一些挑战，比如无法观测到尺度或状态初始化。通过使用更复杂立体或RGB-D相机可以解决这些问题，并且可以大大提高视觉SLAM系统的鲁棒性。

        研究界从不同角度研究