（实验评估）DynaSLAM: Tracking, Mapping and Inpainting in Dynamic Scenes

Experimental results

使用的数据集：TUM RGB-D and KITTI
在每个序列上重复进行了10次实验，由于动态物体易增加实验结果的不确定性。

A.TUM Dataset

ground-truth 是由高精度的动作捕捉系统记录的。

其中两个序列：
1.sitting（s）序列：
两个人坐在桌子前边，说话并且打着手势。属于低动态的场景。
2.walking（w）序列：
两个人在前景和背景中走并且坐在桌子前面。是一个高动态的场景，对于标准的SLAM系统有很大的挑战性。
针对着两种场景，有四种相机运动：
1.半球体运动：相机沿着直径1m的半球体的轨迹移动
2.xyz：相机沿着x，y，z轴运动
3.rpy：相机在横滚、俯仰和偏航上旋转
4.静止：人工操作保持相机禁止

评价计算方法：使用绝对轨迹RMSE作为误差测度。

实验1：
在表I中，对六种序列做了测试，被测试的系统分为四类：
1.DynaSLAM(N)：只有Mask R-CNN，分割出先验的动态物体
2.DynaSLAM(G)：只用多视几何的方法进行动态目标检测
3.DynaSLAM(N+G)：将Mask R-CNN与多视几何的方法相结合进行动态目标检测
4.DynaSLAM(N+G+BI)：在使用两