DynaSLAM论文解析：Tracking, Mapping and Inpainting in Dynamic Scenes

Abstract

系统设计  以ORB-SLAM2为基础，添加了动态物体检测和背景修复的功能。

   系统能够通过多视几何，深度学习或者两者结合的方式进行移动物体的检测。获得场景的静态图可以修复被动态物体遮挡的背景。

Introduction

目前SLAM研究的主体

大多数的SLAM研究是在假定一个静态环境下进行研究的。因此，他们只能通过将动态内容分类为此类静态模型的异常值来管理一小部分动态内容。
视觉SLAM分为两类。一种是基于特征的方法，依靠突出点的匹配，能够估计一个稀疏的地图。另一种方法是直接法，通过直接最小化几何误差，从而估计一个稠密地图。在直接法中，有一些只关注高梯度的区域，估计得出一个半稠密的地图。

   但是，以上的SLAM研究并没有处理非常普通的问题就是动态场景中的动态物体。

动态场景SLAM的一些挑战

   检测和处理视觉SLAM中的动态物体，在建图和追踪中有以下几个挑战：

   1）在图像中怎么检测动态物体从而达到：

   a.防止追踪算法使用属于动态物体的匹配。

   b.防止建图算法将动态物体作为3D图的一部分

   2)怎样完成被动态物体暂时遮挡部分的3D建图

本文提出的系统

   我们提出一个在线的算法来处理RGB-D,双目和单目中的动态物体。这个系统是通过给ORB-SLAM2系统加前段阶段来完成的。目的在于有一个更精确的追踪和能够复用的地图。

   在单目和双目的情况中，我们的方案是使用CNN来达到像素级的分割先验的动态物体，这样SLAM算法就不会在动态物体上提取特征了。

   在RGB-D的情况中，我们的方案是将多视几何模型和 深度学习算法 相结合来检测动态物体，用正确的场景信息修复被动态物体挡住的背景。如图1所示。

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