目录
- 1. 摘要
- 2. 介绍
-
- 2.1. 目前的剔除动态物体的方法存在不足
1. 摘要
在本文中，我们提出了DOT(动态对象跟踪)，将它添加到现有SLAM系统的前端，可以显著提高DOT(动态对象跟踪)在高度动态环境中的鲁棒性和准确性。DOT结合实例分割和多视图几何来生成动态对象的掩模，以便允许基于刚性场景模型的SLAM系统在优化时避免此类图像区域。
为了确定哪些物体在实际移动，DOT首先对潜在的动态物体进行分段，然后根据估计的摄像机运动，通过最小化光度重投影误差来跟踪这些物体。与其他方法相比，这种短期跟踪提高了分割的准确性。最后，只生成实际的动态掩码。我们在三个公共数据集中用ORB-SLAM 2[17]评估DOT。结果表明，该方法显著提高了ORB-SLAM 2的准确性和鲁棒性，特别是在高动态场景下。
2. 介绍
2.1. 目前的剔除动态物体的方法存在不足
尽管SLAM在过去20年取得了重大进展，但大多数最先进的系统仍然假定一个静态环境，场景点之间的相对位置没有变化，唯一的运动是由相机完成的。基于这种假设，**SLAM模型将视觉变化完全归因于相机的相对运动。**通常的方法[16,17]是将动态区域建模为离群点，在姿态跟踪和地图估计过程中忽略它们。然而，对于若干帧，直到这些动态区域被丢弃为离群值，它们的数据才被用于SLAM优化，从而导致了地图和相机位姿估计的误差和不一致。此外，对于跟踪少量显著图像点的基于特征的SLAM方法，动态区域中相对少量的匹配产生的误差是相关的，可能导致系统故障。
机器人或AR系统必须运行的世界和实际应用远不是静止的。我们可以引用汽车或无人机的自动导航，拥挤场景中的AR，甚至行星探索任务，其中糟糕的纹理使SLAM系统在阴影或其他机器人的存在下变得不稳定。因此，开发足以在高度动态环境中运行的SLAM系统对于许多应用程序来说是至关重要的。
如图所示，本工作旨在开发一种图像处理策略，以提高视觉SLAM系统在动态环境中的鲁棒性。我们的具体贡献是“动态对象跟踪”(DOT)的开发，这是一个结合实例分割和多视图几何来跟踪摄像机运动以及动态对象的运动的前端，使用直接的方法[5]。这种预处理的结果是一个包含每个图像的动态部分的掩模，SLAM系统可以使用该掩模来避免在这些区域进行对应匹配。