动态SLAM论文(4) — DS-SLAM: A Semantic Visual SLAM towards DynamicEnvironments

目录

1 Introduction

2 Related Works

A. 语义SLAM

B. 动态环境中的SLAM

3 System Introduction 

4 Experimental Results

5 Conclusions

---

摘要 —— SLAM被认为是智能移动机器人的基本能力。在过去的几十年里，许多令人印象深刻的SLAM系统已经被开发出来，并在特定环境下取得了良好的性能。然而，仍然存在一些问题尚未得到很好的解决，例如如何处理动态环境中的移动物体，如何使机器人真正理解周围环境并完成高级任务。本文提出了一种面向动态环境的稳健语义视觉SLAM（DS-SLAM）。DS-SLAM中有五个线程并行运行：跟踪、语义分割、局部建图、闭环检测和密集语义地图创建。DS-SLAM将语义分割网络与移动一致性检查方法相结合，以减少动态物体的影响，从而在动态环境中大大提高了定位精度。同时，还生成了密集的语义八叉树地图，可以用于高级任务。我们在TUM RGB-D数据集和实际环境中进行了实验证明，与ORB-SLAM2相比，DS-SLAM中的绝对轨迹精度可以提高一个数量级。它是目前高动态环境中的最前沿的SLAM系统之一。

1 Introduction

        在过去的几年中，视觉SLAM得到了广泛研究，因为图像存储了大量的信息，并且可以应用于其他基于视觉的应用，如语义分割和目标检测。目前视觉SLAM系统的框架已经相当成熟，通常由几个关键部分组成，如特征提取前端、状态估计后端、闭环检测等。此外，一些先进的SLAM算法已经取得了令人满意的性能，如ORB-SLAM2、LSD-SLAM等。

        然而，仍然存在一些问题尚未解决，例如，大多数现有算法都很脆弱。一方面，它们难以处理各种环境，如极度动态或复杂的环境。另一方面，它们的地图模型往往基于几何信息，如基于地标的地图和点