Towards Real-time Semantic RGB-D SLAM in Dynamic Environments 论文笔记

Towards Real-time Semantic RGB-D SLAM in Dynamic Environments 论文笔记

摘要

在本文中，我们提出了一个用于动态环境的实时语义RGBD SLAM系统，它能够检测已知和未知的移动物体。

为了降低计算成本，我们只对关键帧进行语义分割，以去除已知的动态物体，并保持一个静态地图，以实现强大的相机跟踪。此外，我们提出了一个高效的几何模块，通过将深度图像聚类为几个区域，并通过它们的重投影误差识别动态区域，来检测未知的移动物体。

第一批在低功耗嵌入式平台上实时运行的语义RGB-D SLAM系统之一

动态区域的检测方法：

通过使用K-Means算法将深度图像分割成几个区域来实现的，而动态区域则根据其平均重投影误差来识别。
与[17]在密集优化框架中使用几何聚类检测动态物体不同，我们直接从稀疏特征的重投影误差中识别动态区域，这导致更快的处理，并使其对动态内容更加强大。

一个处理未知移动物体并与语义SLAM框架相结合的有效和高效的几何模块

整体框架

黑色方框是根据ORB-SLAM2修改的跟踪阶段。绿色阴影框是我们为SLAM系统增加的阶段，包括语义模块和几何模块。语义模块对RGB图像进行语义分割，如果它是一个新的关键帧，然后删除关键帧和地图中潜在的动态物体。几何模块在深度图像上进行几何聚类，并根据重新投影的误差来识别移动物体。在这之后，只有静态特