动态SLAM中基于高效特征提取的目标运动建模与位姿优化方法

本文针对视觉动态SLAM（VSLAM）在动态场景中的挑战，提出了一种融合图像梯度和特征点聚类的动态目标特征提取方法。通过优化特征选择策略增强目标跟踪与位姿估计精度，并创新性地在后端优化中引入刚性约束模型，实现相机与动态目标位姿的联合图优化（Graph Optimization）。在KITTI数据集上的实验表明，该方法显著提升了动态环境下的SLAM性能。

　　

Section snippets

Related work

传统视觉SLAM（VSLAM）基于静态环境假设。高度动态场景对视觉SLAM构成巨大挑战。处理该问题通常有两种策略：第一种是将动态目标视为异常值，仅利用环境中的静态点估计相机位姿；第二种是将动态目标运动建模为整体系统估计的一部分。

Methodology

本节首先概述基于无模型动态SLAM的基本流程。该系统通过视觉传感器获取的图像特征推断相机位姿和动态目标运动（即定位），同时构建周围环境的点云地图（即建图）。动态目标及其表面特征点不能直接参与相机位姿估计，而是通过独立计算其运动轨迹。

Experiments

本节在公开数据集KITTI上评估我们方法的性能。我们同时评估相机位姿估计和目标位姿估计的精度，以及目标跟踪表现。

我们使用数据集KITTI中两个相机的图像序列进行离线数据预处理。采用Mask R-CNN对左图像进行实例分割，PWC-Net获取图像密集光流结果，而立体深度信息用于生成深度图。

Conclusion

我们提出了一种有效的视觉动态SLAM目标特征提取方法。通过特征点选择和刚性约束验证了其对无模型动态目标运动估计的影响。所提方法在公开数据集中实现了先进性能。主要结论如下：(1) 动态目标上不同特征的选择影响运动估计精度；(2) 动态目标上均匀分布的稀疏边缘特征有利于提升跟踪稳定性与位姿解算鲁棒性。