DOT: 动态物体跟踪的视觉 SLAM
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
本文介绍了 DOT,一种新颖、简单且高效的方法,用于解决点追踪中存在的遮挡问题,并且通过最近邻插值计算粗糙的初始估计密集流场和可见性掩码,然后利用可学习的光流估计器对其进行精细化处理。实验证明 DOT 相较于当前的光流技术更加准确,在速度方面至少快两个数量级。
Dec, 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
本文提出 DL-SLOT,一种动态激光雷达 (Lidar) SLAM 和动态目标跟踪方法,该方法将车辆和静态 / 动态物体的状态估计融合到统一的优化框架中,同时进行 SLAM 和目标跟踪,以改善高度动态路况下 SLAM 的鲁棒性和准确性以及物体状态估计的准确性。
Feb, 2022
本文提出一种名为 DS-SLAM 的鲁棒的语义视觉 SLAM 方法,旨在解决动态环境下的 SLAM 问题,通过将语义分割网络与运动一致性检查方法相结合,提高了在动态环境下的本地化精度,同时生成了一个稠密的语义八叉树地图,可用于高级任务中。经过多组测试,DS-SLAM 的绝对轨迹精度比 ORB-SLAM2 提高了一个数量级,是当前高动态环境下最先进的 SLAM 系统之一。
Sep, 2018
本文提出了一种名为 AirDOS 的动态对象感知系统,通过引入刚性和运动约束来建模复杂的关节运动物体,可以联合优化摄像机位姿、物体运动和 3D 结构,以改善在挑战性人口密集型城市环境中的视觉 SLAM 算法的鲁棒性,并为动态物体和静态场景生成 4D 时空地图。
Sep, 2021
在动态环境中,通过引入掩蔽预测机制,该论文提出了一种用于实现实时性能的动态环境下的视觉 SLAM 系统,该系统通过将深度学习方法和相机跟踪以不同的频率完全并行运行,从而在 CPU 上实现了实时性能。此外,它还介绍了双阶段光流跟踪方法,并结合光流和 ORB 特征的混合应用,显著提高了系统的效率和鲁棒性。与最先进的方法相比,该系统在动态环境中保持高定位精度的同时,在单个笔记本电脑 CPU 上实现了 56 帧每秒的跟踪帧率,而无需任何硬件加速,从而证明了即使没有 GPU 支持,深度学习方法在动态 SLAM 中仍然可行。根据已有的信息,这是第一个实现此功能的 SLAM 系统。
May, 2024
本文提出了 DynaSLAM,这是一种基于 ORB-SLAM2 的视觉 SLAM 系统,可以检测动态对象并背景填充,适用于单目,立体和 RGB-D 配置,并在公共数据集中证明了其在高度动态场景中优于标准视觉 SLAM 基线的准确性。
Jun, 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
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