Chenxin LIU, Jiahu QIN, Shuai WANG, Lei YU & Yaonan WANG. Accurate RGB-D SLAM in dynamic environments based on dynamic visual feature removal. Sci China Inf Sci, DOI: 10.1007/s11432-021-3425-8
同时定位与地图构建（Simultaneous localization and mapping，SLAM）技术是实现机器人自主导航的关键技术，在移动机器人、自动驾驶和增强现实与虚拟现实（AR/VR）等领域有广泛的应用。当前，大多数的视觉SLAM都基于静态环境的假设，然而实际环境中存在着各种运动物体，比如交通繁忙的道路场景和人流密集的公园场景，难以做到绝对静态。在动态场景中，错误的视觉几何关系会导致SLAM系统出现跟踪丢失、轨迹漂移大、无法重定位等问题，系统定位精度和鲁棒性会大大降低。由于运动物体的不可预知性，现有的方法很难做到兼顾定位精度和系统实时性，因此，动态环境下SLAM系统仍面临着巨大挑战。
为解决上述问题，本文提出了一种改进的SLAM框架：DFR-SLAM。其核心思想是运动一致性滤波算法和基于图割的动态视觉特征移除方法，能够在动态场景中实时运行，并且保证系统的定位精度和鲁棒性。
具体来讲，DFR-SLAM采用由粗到精的位姿估计方法，以消除运动物体对定位精度影响。首先系统基于运动一致性滤波算法获取可靠的初始位姿，接下来跟踪局部地图，根据跟踪到的特征点的累计重投影误差和空间几何关系构建图割的框架，进行特征点的动静态分类，实现对位姿的精细优化。
在特征点动静态分类过程中，DFR-SLAM处理的是稀疏的视觉特征点而不是图像中的稠密像素特征，所以系统的实时性得到了保证。
本文所提出的系统在TUM 大学公布的动态数据集上做了定性和定量的测评，并且与目前已有的方法在定位精度和实时性方面做了比较。
实验结果表明，文章提出的方法能够大幅提升系统在高动态场景的定位精度，小幅提升系统在低动态场景的定位精度。在11个测试数据集中，我们系统的均方根误差最低的可至0.7cm，最高仅为7cm。与其他考虑运动物体影响的SLAM系统相比，DFR-SLAM不需要额外传感器和GPU的支持，能够兼顾定位精度和系统实时性，有着令人满意的效果。
最新录用文章未经编辑加工，可能会与最终出版文章有微小差异。点击下方阅读原文按钮，快速获取文章预发表版本。
《中国科学：信息科学》| SCIENCE CHINA Information Sciences
及时报道计算机科学与技术、控制科学与控制工程、通信与信息系统、微电子与固体电子学等领域基础与应用研究方面的原创性成果.
英文版投稿：https://mc03.manuscriptcentral.com/scis
中文版投稿：https://www.scicloudcenter.com/SSI/login/index
快速访问：http://scis.scichina.com/