动态SLAM论文(6) — Dynamic-SLAM: Semantic monocular visual localization and mapping...

目录

1 引言

2 Related work

2.1. 视觉 SLAM

2.2. SSD目标检测网络

2.3. SLAMIDE问题和深度学习

3 System overview and approach

3.1. 漏检补偿算法

3.2. 基于先验知识的动态物体确定

3.3. 物体检测模块和选择性跟踪

 4 Experiments and result

4.1. SSD目标检测验证

4.2. 抗动态物体干扰测试

 4.4 使用TUM动态数据集进行室内精度测试

4.5. KITTI数据集中的户外动态大规模地图构建

4.6.使用移动机器人进行实际环境测试

 5 结论

---

本论文对比实验非常丰富，原文论文也长达17页

摘要：在动态环境中工作时，传统的SLAM框架由于受到动态物体的干扰而表现不佳。为了解决动态环境下SLAM的问题，提出了一种基于深度学习的语义同时定位与地图构建（Dynamic-SLAM）框架。首先，基于卷积神经网络构建了一个结合先验知识的SSD目标检测器，用于在新的检测线程中以语义级别检测动态物体。然后，针对现有SSD目标检测网络的低召回率问题，提出了一种基于相邻帧中速度不变性的漏检补偿算法，大大提高了检测的召回率。最后，构建了一个基于特征的视觉SLAM系统，通过跟踪线程中的选择性跟踪算法处理动态物体的特征点，以显著减少错误匹配所导致的位姿估计误差。与原始的SSD网络相比，该系统的召回率从82.3%提高到了99.8%。多个实验证明，Dynamic-SLAM系统的定位精度高于现有最先进系统。该系统成功地利用移动机器人在实际动态环境中实现了精确的定位和构建环境地图。总之，我们的实验验证了Dynamic-SLAM在机器人定位和地图构建方面相对于最先进的SLAM系统在动态环境中具有改进的精度和鲁棒性。

1 引言

        SLAM[1]已经发展了大约30年，并成为机器人、自动化和计算机视觉领域的关键技术。相比其他传感器模式，相机更便宜并提供丰富的视觉和环境信息，未来有巨大的发展空间。目前，微型空中飞行器（MAV），无人地面车辆（UGV），自动驾驶&#