动态场景下的slam（1）

动态场景下的slam（1）

这周主要是对动态情景下的slam论文以及开源代码做了下收集，之前也解读过一篇类似的文献

DS-SLAM_ A Semantic Visual SLAM towards Dynamic Environments

该代码也已经开源。

01

1. 首先为什么要针对这一个特定的场景呢？

之前的绝大多数slam都是假设场景是静态的，或者存在少量的静态物体，即用于计算的关联像素点的三维空间点 位置是不变的． 如果视野内的像素点一直处于不断地移动当中， 同时， 这些点参与了位姿计算， 那 么这些点将会不断给系统带来误差， 最终导致定位失败。最坏的情况是， 参与位姿估计的所有像素点均随着相机做相同的运动，进而由 SLAM 估计出的位姿便会一直为 0． 这些slam系统能够通过移除外点，RANSAC模型拟合的方式来提高应对动态物体的鲁棒性。

绝大数基于特征点法的slam系统的走向是如下图的黄色箭头，动态slam的处理流程多了一步动态物体的检测部分，改进也很多是在红色方框中改进。这类方法在对输入图像提取 特征点的同时，对图像进行语义分割，获得人在图像中的像素点位置，再将这些分布在人上面的特征点进行剔除，并使用剔除后相对稳定的特征点进行位姿估计。

如DS-SLAM，不过他还加了一个一致性约束（这个实际上是下面一篇文献综述文章介绍的一个几何约束的方法），他相当于结合了传统的Motion Segmentation以及Semantic Segmentation。考虑到室内环境下，移动的像素点多来自人和动物，所以用的网络也主要是用来分割人

02

开源代码介绍

开源的针对动态情景下的slam有哪些呢，让我们再github上面搜索一下，其实还是挺多的呢...

03

开源的数据集

在找的过程中，好像没有专门针对这种比较拥挤的情况下面的专门数据集，大家做比较的时候还是拿之前那些数据集做性能比较，比如数据集 TUM 的 datasetrgbd_ datasetfreiburg3walking_halfsphere 数据集，

这个数据集是放在仿人机器人身上获取的。

04

文献综述

以下是近年来可能也是第一篇专门针对动态场景下的slam综述性文章，

该篇文章将动态情景下的应用分为了三类：

1.动态鲁棒性slam（这个主要是将运动的物体分割出来，然后只跟踪静态的特征点）

2.动态物体分割与动态物体跟踪（主要做的是计算机视觉任务当中的物体检测与跟踪）

3.动态鲁棒性slam+ 动态物体分割与动态物体跟踪

动态场景下slam的核心思想就是将动态的物体分割出来，只跟踪静态物体的特征 ，因此文章中也给出了几种方法：

同时也给我们列出了一些具体的Motion Segmentation的方法

当然还存在多传感器融合的方式，可通过

05

一些硕士毕业文章

这篇硕士论文主要是把深度学习动态物体检测的检测框架用了进来，但是没有看到轨迹精度的比较。

06

一些近期论文

等待下期预告......

注意

目前微信交流群不断壮大，由于人数太多，目前有两个群，为了鼓励大家分享，我们希望大家能在学习的同时积极分享，将您的问题或者小总结投稿发到群主邮箱主邮箱dianyunpcl@163.com。

以上内容如有错误或者需要补充的，请留言！同时欢迎大家关注微信公众号,积极分享投稿，或者加入3D视觉微信群或QQ交流群。

原创不易，转载请联系群主，注明出处。

THE END

●文章来源 |庄小P （知乎账号同名）

●排版 | 杨滚滚