动态环境下的实时 SLAM 管道
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
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
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
该论文介绍了一个实时分割和重构系统,利用 RGB-D 图像生成准确而详细的物体三维模型,可以应用于增强 / 虚拟现实、室内设计、城市规划、道路辅助和安全系统等领域。通过采样连续帧以减少网络负载并确保重构质量,采用多进程 SLAM 管道实现并行三维重构,并使用了业界领先的 YOLO 框架进行实例分割,以提高性能和准确性。该系统在室内环境中建立了一个强大的实时系统,对物体分割和重构具有重要的增强效果,也可以扩展到室外场景,为实际应用开辟了众多机会。
Nov, 2023
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
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
本文对 RGB-D SLAM 进行了可行性研究,通过 ORBSLAM2 等视觉 SLAM 方法在公开数据集和自行构建的 HomeRobot 数据集上进行实验,发现它们在很多情况下可以取得很好的精度,但健壮性仍然是一个问题。
Oct, 2019
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