动态SLAM论文(5) — SOF-SLAM: A Semantic Visual SLAM for DynamicEnvironments

目录

1 引言

A. 相关工作

B. 目的

C. 贡献和概述

2 Semantic optical flow SLAM

A. 系统概述

B. 语义光流

3 Evaluation 

B. 在真实环境中的评估

4 Conclusion and Discussions

---

论文的论述有些许繁琐

摘要：SLAM在计算机视觉和机器人领域起着重要作用。传统的SLAM框架假设世界是静态的，为了方便分析。如何处理动态环境至关重要，并且越来越受关注。现有的针对动态场景的SLAM系统要么仅利用语义信息，要么仅利用几何信息，要么以松散耦合的方式简单地将它们的结果组合起来。本文提出了一种面向动态环境的语义光流SLAM（SOF-SLAM）系统，它是基于ORB-SLAM2的RGB-D模式构建的。我们提出了一种名为语义光流的新的动态特征检测方法，这是一种紧密耦合的方式，可以充分利用语义和几何信息中隐藏的特征动态特性，有效合理地去除动态特征。由SegNet生成的像素级语义分割结果用作提出的语义光流中的掩码，以获得可靠的基本矩阵，然后用于过滤出真正的动态特征。在跟踪和优化模块中仅保留剩余的静态特征，以实现在动态环境中准确的相机位姿估计。我们在公共的TUM RGB-D数据集和真实环境中进行了实验证明。与ORB-SLAM2相比，所提出的SOF-SLAM在高动态场景中平均实现了96.73％的改进。它还优于其他四种处理动态环境的最新SLAM系统。

索引词：计算机视觉，机器人，语义，同时定位和地图构建。

1 引言

        SLAM使用由操作SLAM系统的平台收集的数据构建周围世界的地图，并在地图中同时定位自身。平台所携带的观测外界世界的传感器可以是各种各样的，例如单目相机、立体相机、RGB-D相机和激光雷达。当传感器为视觉传感器时࿰