融合灰度区域特征点与静态概率的动态视觉SLAM优化方法

《Robotica》：Integrating gray area feature points and static probability to enhance the performance of indoor dynamic visual simultaneous localization and mapping

本研究针对动态环境下移动物体对视觉SLAM（VSLAM）系统精度与鲁棒性的挑战，由研究人员提出了一种结合灰度区域特征点、加权静态概率及时空约束的GAF-SLAM系统。通过YOLO-Point提取动态区域中的潜在静态特征点，结合重投影误差与极几何约束优化筛选，并设计静态概率框架动态调整其权重。在TUM RGB-D数据集上的实验表明，该方法显著提升了动态室内环境的定位精度与稳定性。

　　

在动态环境中，移动的物体给视觉同步定位与建图（Visual Simultaneous Localization and Mapping, VSLAM）系统的精确度和鲁棒性带来了巨大挑战。传统的动态VSLAM方法依赖于人工设计的特征框架，这类方法通常难以充分利用动态区域中的特征信息。为此，本文提出了一种结合灰度区域特征点、加权静态概率以及时空约束的SLAM系统（GAF-SLAM）。该方法通过引入YOLO-Point从动态区域提取灰度区域特征点，实现了关键点检测与目标检测的高效融合。这些特征点位于检测框内部，并具备潜在的静态特征点属性。通过结合重投影误差和极几何约束，有效筛选出潜在静态特征点，并进一步优化了这些灰度区域特征点的识别。随后，设计了一种新颖的静态概率计算框架，为这些灰度区域特征点分配权重，并在姿态估计过程中动态调整其对优化结果的影响。通过将静态概率与时间连续性和空间平滑性约束相结合，该系统在动态环境中实现了定位精度和鲁棒性的显著提升。最后，在TUM RGB-D数据集上对所提方法进行了评估。实验结果表明，GAF-SLAM显著改善了姿态估计的准确性，并在动态室内环境中展现出较强的鲁棒性和稳定性。