SLAM中的动态物体去除问题

一、环境中的动态物体对SLAM或导航有哪些影响？

1. 对前端配准的影响。无论是哪种配准方式（ICP、NDT、PL、PP），都是基于静态假设，动态点会影响配准的精度和稳定性。

2. 对导航的影响。SLAM生成的导航地图中若含有大量的动态点，会对路径规划和轨迹规划产生不利的影响。

二、怎么定义环境中的动态物体？

依据物体的“动态程度”不同，可将环境中的物体分为四类：

高动态物体：实时移动的物体，如行人、车辆等。

低动态物体：短暂停留的物体，如等红绿灯的行人、车辆等。

半静态物体：在一个SLAM周期内不动，但并非永远不动的物体，如停车场的车辆、堆放的物料、临时建筑等等。

静态物体：一定时间内基本不会动的物体，如建筑物、山丘、马路等等。

三、如何针对性去除动态物体？

高动态物体：在线实时过滤。

低动态物体：一次SLAM过程结束后，后处理方式过滤。

半静态物体：life-long SLAM, long-term SLAM。

四、在线实时过滤、后处理过滤、life-long SLAM

1. 在线实时过滤

包括前后帧对比、帧与小的局部地图对比、聚类等方法。

Mapless Online Detection of Dynamic Objects in 3D Lidar, 16th Conference on Computer and Robot Vision (CRV), 2019. 在query scan前后各取一帧作为参考帧，前边的参考帧用于比对点到点距离，距离过大的点认定为潜在动态点；潜在动态点再放到后边参考帧中做验证，如果被后边参考帧的激光光束穿过，则确认为动态点。被确认的动态点在query scan中作为种子点进行聚类生长，得到动态聚类。题目中的 mapless，是指不用构建局部地图或子图，只需两个参考帧即可。

RF-LIO: Removal-First Tightly-coupled Lidar Inertial dometry in High Dynamic Environments, IROS-2021, 其思路是在query scan附近实时构建一个submap，通过range image的方式对比query scan和submap的点云分布，来提取出submap中的动态点。

LIO-Livox:使用欧式聚类方法将原始点云聚类为地面点，背景点，和前景点。其中前景点被视为动态物体，并在特征提取过程中去除。去除之后，系统在动态场景中可保持很高的鲁棒性，即便激光雷达的大部分视场角被动态物体遮挡，也可以准确地定位和建图。

2. 后处理过滤

后处理方式对实时性要求不高，因此可以将整个SLAM周期内的所有帧作为参考信息，来识别动态点。相比于实时方式，后处理方式更追求动态点云滤除的准确性和充分性。常见的后处理动态物体过滤方法可以分为典型的三类：segmentation-based, ray-casting based 和 visibility-based。

The Peopleremover — Removing Dynamic Objects From 3-D Point Cloud Data by Traversing a Voxel Occupancy Grid, IEEE Robotics and Automation Letters(RA-L), 2018. 这篇文章提出了一种基于栅格实现动态过滤的方法（ray casting-based），也即基于栅格被击中和被穿过的情况来判定栅格是否为动态。作者提出了一系列trick来避免此类方法的通病，如耗时过大，误杀/漏杀等，对基于栅格的方法具有普遍借鉴意义。详见无疆WGH大佬主页。动态环境SLAM专题(二) | RAL-2018：The peopleremover – 基于栅格的动态物体过滤算法。

Remove, then Revert: Static Point cloud Map Construction using Multiresolution Range Images, IROS-2020. 这篇文章是视点可见法（visibility-based）的应用，上文中提到的 RF-LIO 和本篇很相似，其基本思路是，把一个query scan投影为深度图，然后在同一视点把query scan附近的submap 也投影为一个深度图，比对两个深度图上同一位置的像素深度，如果后者深度更浅，则该像素位置对应submap上的点为动态点（前方的点把后方的点遮挡了，则前方的点为动态点）。这篇文章以此为基本原理，做了诸多改进，并用更粗糙分辨率的深度图对比来恢复被误杀的静态点。本文为基于视点可见性（或基于深度图）的方法提供了参考。本文的详细讲解 动态环境SLAM专题(三) | IROS2020：Remove, then Revert - 基于多分辨率深度图的动态物体移除方法。

ERASOR: Egocentric Ratio of Pseudo Occupancy-based Dynamic Object Removal for Static 3D Point Cloud Map Building, ICRA-2021. 其基本思路是，把query scan和query scan附近的submap按照相同的位置划分为一个个扇区状的bin（格子），然后对比query scan的格子和submap的格子，根据格子内点云分布的差异，剔除掉submap格子中的动态点，详见 动态环境SLAM专题(一) | ICRA2021：ERASOR — 解决动态环境下SLAM建图“鬼影”问题。

3. life-long SLAM

life-long mapping的核心问题，其实远不止动态/半静态物体过滤。动态/半静态物体过滤只是life-long过程中不同session之间地图融合的一部分，而地图融合只是life-long mapping的一部分。

A General Framework for Lifelong Localization and Mapping in Changing Environment，高仙机器人发表的一篇文章。

LT-mapper: A Modular Framework for LiDAR-based Lifelong Mapping, IROS-2021. 这篇论文和前边的Remove, then Revert是同一作者，因此地图融合与非静态物体过滤部分也基本以Remove, then Revert为基础，只不过施加的对象变成了两个session的地图之间，不再赘述。

Long-term 3D map maintenance in dynamic environments, ICRA-2014. 这是一篇「苏黎世联邦理工ASL实验室」发表在2014年的工作。文中提出，地图融合部分的核心在于如何处理不同session地图之间不一样的部分，也即动态/半静态物体。处理方法基于视点可见法（visibility-based），只不过不是以深度图的形式，而是直接将map点云转换到query scan坐标系下，如果map中的点被query scan中的点的光路穿过，则对应map点为动态/半静态点。考虑到仅凭一次穿过就要confirm一个动态点难免太过武断，论文提出参考更多的信息来判定一个map点是否为动态，比如点的法向量、两点间距离、上一个周期的类别等，这些信息通过贝叶斯概率融合在一起，决定一个点的类别。

参考：

动态环境下的slam问题如何解决？ - 知乎