基于语义先验和深度约束的室内动态场景RGB-D SLAM算法.docx

基于语义先验和深度约束的室内动态场景RGB-D SLAM算法 SLAM（Simultaneous Localization and Mapping）技术是机器人实现自主导航的关键技术，广泛应用于AR/VR、无人机、无人驾驶等领域。然而，在动态场景中，SLAM系统存在静态环境假设，无法处理动态物体的存在，导致轨迹偏差和系统崩溃。 为了解决这个问题，传统的视觉SLAM框架通常采用前/背景建模、基于多视角几何的相关约束、光流法以及自身运动的相关约束。但是，这些方法往往缺乏对环境的抽象理解，需要更多的信息和约束判断来提升对环境的感知能力。 ORB-SLAM通过对匹配的特征点对采用RANSAC方法以及鲁棒性核函数的方式来滤除外点，从而提高位姿求解的精度和鲁棒性。但这种方法的提升能力是有限的，无法应对外点过多的情况。 Kundu等人通过极线约束和FVB(flow vector bound)约束的方式检测运动物体，去除了点沿极线运动的情况，并通过递归贝叶斯滤波器完成对特征点状态的分类。CoSLAM通过计算两帧之间的重投影误差，并结合多相机观测信息实现对特征点不确定性的消除。 近些年，随着算力的提升和深度学习技术的发展，使得移动机器人对于周围环境的感知能力有了大幅度的提高。通过对图像进行语义分割可以帮助机器人更好地感知周围的环境，获得更高层次的信息。 Chen等人通过YOLOv3(you only look once version3)网络实现潜在运动物体的检测，并采用对相邻帧进行投影跟踪来判断检测到的物体是否发生运动。DS-SLAM采用SegNet网络并构建稀疏光流金字塔的方式实现对动态特征点的跟踪，并通过极线约束滤除动态特征点。 Bescos等人提出的DynaSLAM通过Mask R-CNN(region-CNN)网络和多视角几何信息相结合的方式，采用区域生长算法获取图片的运动掩膜，并针对遮挡问题进行背景修复，生成静态点云地图。 Runz等人提出的MaskFusion在ElasticFusion的基础上，通过Mask R-CNN网络实现逐像素的实例级分割，并通过最小化光度误差和几何空间误差获得相对准确的相机位姿和轨迹。 Xiao等人利用相邻帧速度不变性针对SSD(single shot multibox detector)检测网络召回率低的问题提出了一种漏检补偿算法，并对动态物体进行选择性跟踪，从而保证运动物体能够被准确检出和剔除。 本文的研究重点为室内动态环境下的SLAM位姿估计问题，针对传统视觉SLAM系统在动态环境下位姿估计不鲁棒、定位精度显著下降的问题，提出了一种基于语义先验的加权极线和深度约束的由粗到精的位姿估计算法，有效地提升了现有算法的定位精度和鲁棒性。