DynaSLAM实验评估：Tracking, Mapping and Inpainting in Dynamic Scenes

Experimental results

使用的 数据集  ：TUM RGB-D and KITTI

   在每个序列上重复进行了10次实验，由于动态物体易增加实验结果的不确定性。

A.TUM Dataset

ground-truth 是由高精度的动作捕捉系统记录的。

其中两个序列：

   1.sitting（s）序列：

   两个人坐在桌子前边，说话并且打着手势。属于低动态的场景。

   2.walking（w）序列：

   两个人在前景和背景中走并且坐在桌子前面。是一个高动态的场景，对于标准的SLAM系统有很大的挑战性。

   针对着两种场景，有四种相机运动：

   1.半球体运动：相机沿着直径1m的半球体的 轨迹 移动

   2.xyz：相机沿着x，y，z轴运动

   3.rpy：相机在横滚、俯仰和偏航上旋转

   4.静止：人工操作保持相机禁止

评价计算方法：使用绝对轨迹RMSE作为误差测度。

实验1：

   在表I中，对六种序列做了测试，被测试的系统分为四类：

   1.DynaSLAM(N)：只有Mask R- CNN  ，分割出先验的动态物体

   2.DynaSLAM(G)：只用多视几何的方法进行动态目标检测

   3.DynaSLAM(N+G)：将Mask R-CNN与多视几何的方法相结合进行动态目标检测

   4.DynaSLAM(N+G+BI)：在使用两种检测方法之后，使用背景修复，然后再进行跟踪和建图

   具体实验结果如表I所示：


   得出的实验结论：

   N+G的方案表现效果最好。

Notes  :

   1.加了背景修复的(N+G+BI)系统效果并不好的原因：

   背景的修复严重依赖于相机的位姿。而对于纯旋转的动作，估计的相机位姿有更大的误差这样会导致背景重建的不准确性。

实验2

   对比对象：RGB-D ORB-SLAM2

   对比结果：

   我们的系统在高动态场景中比ORB-SLAM2表现的好，误差值与ORB-SLAM2系统在静态场景相似。

   在低动态场景中，追踪结果要稍微差点，跟踪的点找到他们自己比起属于动态物体的点更远（这句话不太理解，大家有好的见解希望交流一下）

   实验结果：

   表II


   DynaSLAM，ORB-SLAM2与ground-truth轨迹对比图，图7

实验3

   对比对象：用于动态场景的最好的RGB-D SLAM系统，具体如表格所示

对比结果：动态场景中与最好的系统类似，在动态场景中，我们的系统要更好

实验4

   对比对象：ORB-SLAM

   对比结果：

   虽然精确性稍微比ORB-SLAM要低些，但是在启动系统上要好。

   实验结果：

B.KITTI Dataset

实验5

   对比对象：双目ORB-SLAM

   使用的度量方法：

   absolute trajectory RMSE

   average relative translation   and rotation errors

实验6

   对比对象：单目变体ORB-SLAM


   结果基本差不多，但是本次的系统对于动态的内容更鲁棒。

   动的物体和可动的物体，是未来工作的一个点，动的物体的点不能用来追踪，可动但未动的物体却可以用来定位，但不用来建图。

C. Timing Analysis

V. conclusions

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删