目录
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