以下內(nèi)容來自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

點(diǎn)擊領(lǐng)取學(xué)習(xí)資料 → 機(jī)器人SLAM學(xué)習(xí)資料大禮包

#論文# Dynam-SLAM: An Accurate, Robust Stereo Visual-Inertial SLAM Method in Dynamic Environments

論文地址：TRO

作者單位：哈爾濱工業(yè)大學(xué)

大多數(shù)現(xiàn)有的基于視覺的同步定位和建圖（SLAM）系統(tǒng)及其變體仍然假定觀測是絕對靜態(tài)的，不能在動(dòng)態(tài)環(huán)境中很好地工作。在這里，我們提出了Dynam-SLAM（Dynam），這是一個(gè)雙目視覺-慣性SLAM系統(tǒng)，能夠在高動(dòng)態(tài)環(huán)境中穩(wěn)健、準(zhǔn)確和持續(xù)工作。我們的方法致力于將雙目場景流與慣性測量單元（IMU）松散地結(jié)合起來進(jìn)行動(dòng)態(tài)特征檢測，并將動(dòng)態(tài)和靜態(tài)特征與IMU測量緊密結(jié)合起來進(jìn)行非線性優(yōu)化。

首先，對測量噪聲引起的場景流不確定性進(jìn)行建模，以得出地標(biāo)的精確運(yùn)動(dòng)似然。同時(shí)，為了應(yīng)對高動(dòng)態(tài)環(huán)境，我們在檢測到的動(dòng)態(tài)特征的基礎(chǔ)上額外構(gòu)建虛擬地標(biāo)。然后，我們建立了一個(gè)緊密耦合的、基于非線性優(yōu)化的SLAM系統(tǒng)，通過融合IMU測量和特征觀測來估計(jì)相機(jī)狀態(tài)。最后，我們在各種基準(zhǔn)數(shù)據(jù)集中評(píng)估了擬議的動(dòng)態(tài)特征檢測模塊（DFM）和整個(gè)SLAM系統(tǒng)。

實(shí)驗(yàn)結(jié)果表明，Dynam幾乎不受DFM的影響，在靜態(tài)EuRoC數(shù)據(jù)集中表現(xiàn)良好。在自我收集的動(dòng)態(tài)數(shù)據(jù)集中，Dynam在準(zhǔn)確性和魯棒性方面優(yōu)于目前最先進(jìn)的視覺和視覺-慣性SLAM實(shí)現(xiàn)。Dynam在動(dòng)態(tài)基準(zhǔn)數(shù)據(jù)集中的平均絕對軌跡誤差比VINS-Fusion低90%，比ORB-SLAM3低84%，比Kimera低88%。

本文貢獻(xiàn)如下：

1）我們提出了一種新的SLAM方法，該方法將立體場景流與IMU松散地耦合起來進(jìn)行動(dòng)態(tài)特征檢測，并將動(dòng)態(tài)和靜態(tài)視覺特征與IMU測量緊密地耦合起來，構(gòu)建非線性優(yōu)化。

2）對測量噪聲引起的場景流的不確定性進(jìn)行建模?；诓淮_定性模型，使用馬哈拉諾比斯距離來準(zhǔn)確確定地標(biāo)的運(yùn)動(dòng)可能性。

3) 基于檢測到的動(dòng)態(tài)特征，我們構(gòu)建虛擬地標(biāo)。靜態(tài)地標(biāo)、虛擬地標(biāo)和IMU測量在一個(gè)滑動(dòng)窗口中緊密耦合，以估計(jì)動(dòng)態(tài)環(huán)境中攝像機(jī)的高精度狀態(tài)。

4）我們提供了一個(gè)完整的VISLAM系統(tǒng)，該系統(tǒng)已經(jīng)在不同的基準(zhǔn)數(shù)據(jù)集下得到了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，Dynam在高動(dòng)態(tài)環(huán)境中的精度和魯棒性方面優(yōu)于目前最先進(jìn)的VSLAM和VISLAM實(shí)現(xiàn)。

以上內(nèi)容來自小六的機(jī)器人SLAM學(xué)習(xí)圈?每日更新內(nèi)容