动态SLAM总结二

Mapping the Static Parts of Dynamic Scenes from 3D LiDAR Point Clouds Exploiting Ground Segmentation：（2021）

• 这篇论文基于OctoMap主要思想：首先提取地面点和非地面点，并且首先将地面点标记为静态点。（基于两个假设：1.地面是不移动的和静止的；2. 大部分动态对象和地面关联，先将地面点标记为静态的，能够减少下面动态点预测和移除的难度）
• 由于OctoMap本身的限制，有大部分未知区域，盲目的将其标记为静态或动态会出现不可预料的错误。因此对于这些区域的处理采用了一种投票策略，KNN最近邻搜索，之后计算静态点和动态点的比例，超过一定阈值就将其归类为动态点。

RF-LIO：（2022）

• 主要思想：采用自适应多分辨率范围图像和紧耦合雷达惯性里程计首先移除动态对象，然后匹配雷达帧和子图。
• 当新的扫描到达时，RF-LIO不会立即执行扫描匹配以获得准确的姿势，因为它很容易受到动态环境的影响。相反，我们使用紧密耦合惯性* 测量单元(IMU)里程计来获得粗略的初始状态估计。然后，RF-LIO利用自适应分辨率范围图像初步去除环境中的移动点。
• 基于视觉的可视化比较参考Removert。通过当前keyFrame和subMap的比较，这个思想在基于可视化方法中比较常见的，DynamicFilter也是使用到了这种思想。
  

RH-Map：（2023）

这个文章中大量提到DynamicFilter这篇文章，并且两篇文章都是包含前端和后端模块。
下面这句话出自原文，可以参考：
The back-end structure continuously improve the removal performance. Nonetheless, they only rely on certain thresholds to restrict the incidence angle, which cannot effectively preserve the ground. Moreover, the experimental video suggest that the rate of map updates is relatively low.
创新点：

• 前端：逐区域的伪地面评估（R-PGE）对于评估和保留地面信息；scan-to-Map Removal（S2M-R）实时动态点移除。
• 后端：利用关键帧进一步增强系统表现获取一个干净的静态地图。

这篇文章提到了很多Ground segmenmtation methods相关的论文可以参考。

• 提出了一个新的噪声估计方法：如果在地图中的一个ground区域的xy平面的四个区域没有ground出现，那么当前ground被视为噪声，依据：噪声是分散的，地面的连续出现的。

Mapless Online Detection of Dynamic Objects in 3D Lidar：（2018）

类别：实时处理点云数据，不用事先建立模型，将每个点标记为静态点或动态点。同时支持运行点云运动补偿以及自有空间查询。
对于不正确的动态标签的处理，首先比较为动态标签，随后在系统中纠正不正确的动态点。

Motion-based detection and tracking in 3D LiDAR scans：

本身看到这篇论文提到了无模型的对象预测和更新，看了后发现文章基本全部是公式推到、证明，并且代码也没有开源，遂放弃了。

Robust Moving Objects Detection in Lidar Data Exploiting Visual Cues：

忽略距离雷达中心30m以上的点，并且添加新点时判断点云地图中有没有已经存在的最近的点，只有不存在最近邻点时才将其添加到地图中，避免了点云地图的重复。
对于地面点的移除：
● 一个天真的想法是直接去移除在雷达传感器负阈值高度的所有点。
● RANSAC：一个更好的方式对于移除水平面。
○ 上述两种方式有个缺点就是对于非平坦的平面有问题，对于这个问题可以和静态地图生成的那篇文章中的PatchWork（开源）相结合。此外本篇文章也提出了一种新的方式。