以下內(nèi)容來自從零開始機器人SLAM知識星球 每日更新內(nèi)容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

#論文# CFP-SLAM: A Real-time Visual SLAM Based on Coarse-to-Fine Probability in Dynamic Environments

論文地址：https://arxiv.org/abs/2202.01938

作者單位：東北大學 ?

? ?環(huán)境中的動態(tài)因素會違反SLAM算法的靜態(tài)環(huán)境假設，導致相機定位精度下降。最近，一些相關工作普遍采用語義約束和幾何約束相結合的方式來處理動態(tài)物體，但是仍然會出現(xiàn)一些問題，比如實時性差，容易把人當成剛體，低動態(tài)性能差場景。在本文中，提出了一種基于目標檢測和從粗到精靜態(tài)概率的動態(tài)場景視覺SLAM算法CFP-SLAM。該算法結合語義約束和幾何約束計算物體、關鍵點和地圖點的靜態(tài)概率，并將其作為權重參與相機位姿估計。廣泛的評估表明，與最先進的動態(tài) SLAM 方法相比，我們的方法在高動態(tài)和低動態(tài)場景中幾乎可以取得最好的結果，并顯示出相當高的實時性。

本文貢獻如下：

1、基于EKF和匈牙利算法補償漏檢，同時使用DBSCAN聚類算法區(qū)分box的前景點和背景點。

2、對象動態(tài)屬性的區(qū)分?；赮OLOv5目標檢測和幾何約束，將目標運動屬性分為高動態(tài)和低動態(tài)，作為先驗信息提供給后續(xù)方法進行不同策略的處理，從而提高SLAM系統(tǒng)的魯棒性和適應性。3、關鍵點從粗到細的靜態(tài)概率。提出一種基于物體靜態(tài)概率、DBSCAN聚類算法、對極約束和投影約束的兩階段關鍵點靜態(tài)概率計算方法，解決非剛體局部運動引起的靜態(tài)關鍵點誤刪問題。

以上內(nèi)容來自從零開始機器人SLAM知識星球 每日更新內(nèi)容