EM-Fusion:带有概率数据关联的动态目标级 SLAM
本研究提出了一种在线物体级别 SLAM 系统,该系统通过使用 Mask-RCNN 实例分割将复杂的室内场景中的物体进行重建,没有进行内部变形,并将每个物体的信息存储在可优化的 6DoF 姿态图中,以实现高度内存效率和较高的在线性能。
Aug, 2018
本文提出了一种基于实时语义 RGB-D SLAM 算法的方法,其能够在动态环境中检测已知和未知的运动物体,并通过仅对关键帧进行语义分割来减少计算成本,并保持静态地图以实现强健的相机跟踪,同时提出了一种有效的几何模块来检测未知的移动物体。该算法在公共数据集和实际应用场景中进行了评估,最终实现了在低功耗嵌入式平台上实时运行并能在动态环境中提供高精度的定位与跟踪。
Apr, 2021
研究使用光流残差技术实现动态语义感知的 RGB-D 环境下的 SLAM,同时实现动静分割、相机运动估计和静态背景重建。实验证明该方法在动态和静态环境中都比现有的方法具有更高的精度和效率。
Mar, 2020
提出了一种新的基于对象级八叉树的体积表示的多实例动态 RGB-D SLAM 系统,可以在动态环境中提供强大的相机跟踪性能,并同时连续估计场景中任意对象的几何、语义和运动属性。
Dec, 2018
本文提出了一种基于 RGB-D 传感器的方法,能够稳定地在包含多个动态元素的场景中进行地图绘制和定位,并在现有数据集上对其进行评估和发布。
May, 2019
本文介绍了 DynaSLAM II,它是一种用于立体和 RGB-D 配置的视觉 SLAM 系统,紧密集成了多对象跟踪能力,并利用实例语义分割和 ORB 特征来跟踪动态对象,优化了静态场景和动态对象的结构,提供了丰富的场景理解线索,并有益于相机的跟踪。
Oct, 2020
本文提出了一种基于特征、无模型、可识别动态物体的 SLAM 算法,使用了语义分割技术来估算场景中刚性运动物体的运动轨迹和速度,并能够生成静态和动态结构的地图。该算法在模拟、合成和实际数据集上均实现了良好的性能。
Feb, 2020
本文提出了一种综合的基于物品的感知和基于物品的机器人任务的物体 SLAM 框架,专注于解决 SLAM 中的数据关联、物体表示和语义地图问题,并通过公开数据集和真实世界结果对其性能进行了评估。
May, 2023
3DS-SLAM 是一种针对动态场景的 3D 语义建图算法,通过 3D 物体检测和动态特征过滤等方法,解决了动态环境下相机定位的精度问题。与其他四个主流动态场景 SLAM 系统相比,3DS-SLAM 在 TUM RGB-D 数据集的动态序列上平均提高了 98.01% 的性能。
Oct, 2023
VDO-SLAM 是一种稳健的视觉动态物体感知 SLAM 系统,利用语义信息实现对本体运动的准确估计和跟踪,能够精确估计机器人轨迹、物体的 SE(3)运动和空间时序地图。
May, 2020