编辑推荐：
传统视觉 SLAM 在动态环境下定位精度受影响。研究人员开展 DHP-SLAM 实时多目标跟踪语义视觉 SLAM 系统研究。结果显示该系统能消除动态物体影响，提升定位精度，在室内外数据集表现优异，为相关领域发展提供有力支持。
在科技飞速发展的当下，移动机器人、无人驾驶、虚拟现实等领域发展得如火如荼，而同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）技术则是这些领域的关键支撑。其中，视觉 SLAM 凭借视觉传感器在尺寸、价格和信息丰富度方面的优势，备受关注。然而，传统视觉 SLAM 框架大多基于理想的静态环境假设。在现实世界中，动态物体无处不在，比如穿梭的汽车、行走的人群。一旦这些动态物体出现在场景中，就会严重干扰视觉 SLAM 系统的定位精度。想象一下，在熙熙攘攘的街道上，自动驾驶汽车依靠的视觉 SLAM 系统如果无法准确处理周围动态物体的信息，那将会是多么危险的场景。这就是当前视觉 SLAM 技术面临的困境，也是亟待解决的问题。
为了突破这一困境，来自国内的研究人员（Jiamou Yang、Yangtao Wang、Xin Tan、Meie Fang、Lizhuang Ma）开展了关于 DHP-SLAM（一种实时多目标跟踪语义视觉 SLAM 系统）的研究。他们的研究成果意义重大，DHP-SLAM 能够有效消除动态物体的影响，在室内数据集 TUM 和室外数据集 KITTI 上都展现出了极高的定位精度，相比原有的 ORB-SLAM2 系统以及其他动态视觉 SLAM 系统都具有显著优势，为相关领域的进一步发展提供了强有力的技术支持。该研究成果发表在《Displays》上。
研究人员在开展研究时，主要运用了以下关键技术方法：
- 语义实例分割：采用高精度轻量化的 SOLOV2 算法，在保证分割精度的同时实现对物体的实例分割，以此来识别动态物体。
- 几何约束：结合几何约束方法，消除高动态物体和潜在动态物体对系统的影响。
- 多目标跟踪：将多目标跟踪技术融入 DHP-SLAM 系统，在目标检测丢失时，利用预测的目标跟踪帧去除动态物体的特征点。
研究结果
- DHP-SLAM 框架：该框架分为三个部分。首先介绍了整体架构，为后续研究奠定基础；其次阐述了如何检测和去除动态物体上的特征点，通过语义实例分割将属于动态物体掩模的特征点标记为动态特征点并删除，利用静态背景的特征点进行姿态估计；最后介绍了物体跟踪辅助物体检测去除动态特征点的方法，提高了系统对动态环境的适应能力。
- 评估和实验：研究从时间消耗和系统精度两方面对 DHP-SLAM 进行性能评估，重点关注精度评估，涉及绝对轨迹误差（ATE）和相对姿态误差（RPE）两个精度指标。实验结果表明，在 TUM 室内数据集上，DHP-SLAM 相比原始 ORB-SLAM2 系统有显著提升；在 KITTI 室外数据集的动态场景中，其定位精度也有大幅提高，并且优于其他动态视觉 SLAM 系统。
研究结论和讨论
DHP-SLAM 成功结合语义实例分割和几何约束方法，有效消除了高动态物体和潜在动态物体的影响，实现了准确的实时物体实例分割，显著提升了系统定位精度。多目标跟踪技术的融入，增强了系统的鲁棒性和对周围环境的理解能力。这一研究成果为移动机器人、无人驾驶、虚拟现实等领域在动态环境下的应用提供了更可靠的技术保障，推动了相关领域的发展。未来，有望在此基础上进一步优化算法，提高系统性能，拓展其在更复杂场景中的应用。
