基于光学流几何一致性的动态特征抑制方法提升单目视觉SLAM在动态环境中的鲁棒性

《Electronics》：RoadMark-cGAN: Generative Conditional Learning to Directly Map Road Marking Lines from Aerial Orthophotos via Image-to-Image Translation

本文提出一种轻量级、无需语义先验的动态视觉SLAM（VSLAM）前端增强方法，通过光学流运动方向点（MDP）的几何一致性分析，有效区分相机运动与动态物体特征。该方法集成至ORB-SLAM前端，在TUM RGB-D数据集上实现轨迹误差（ATE）降低约45%，为资源受限平台提供实时动态环境定位解决方案。

　　

动态物体对视觉同时定位与地图构建（Visual SLAM）系统构成重大挑战，因为移动区域的特征测量会破坏相机姿态估计并导致地图失真。传统基于特征的VSLAM方法（如ORB-SLAM系列）在静态环境中表现稳健，但在动态场景中易受运动物体干扰。本文提出一种基于光学流几何一致性的动态特征过滤方法，通过运动方向点（Motion Direction Point, MDP）的角关系分析实现动态特征抑制，无需依赖语义分割或深度学习模型。

方法论核心在于利用光学流向量与MDP的几何一致性。该方法首先通过ORB特征点提取和稀疏光学流计算获取运动信息，随后通过两种算法估计全局MDP：姿态投影算法（Pose Projection Algorithm）直接利用相机姿态参数计算MDP位置，适用于快速处理；流角度中值算法（Median Flow Angles Algorithm）通过评估所有流向量与候选M点的角度中值确定最优位置，精度更高。MDP的定位能够表征相机运动模式——纯平移（FT）时流向量汇聚于图像内某点，纯旋转（FR）时流向量呈现同向分布。

动态特征分类基于流向量与MDP连线的夹角α。当相机前向运动（t_z< 0）时，静态点的α角接近0°；后向运动时接近180°。动态点因附加运动分量会产生角度偏差。为提高鲁棒性，分类阈值采用自适应机制：Y_i= Y + cos(√(d_i/l))，其中d_i为特征点与MDP的像素距离，l为图像对角线长度，该公式使近MDP点容忍度更高。

实验部分在TUM RGB-D数据集上验证方法有效性。动态特征检测的定量评估显示，在fr3/w/half、fr3/w/rpy和fr3/w/xyz序列中，准确率（Ac）均达90%以上，精确率（Pr）超过85%。集成至ORB-SLAM后，轨迹估计误差显著改善：绝对轨迹误差（ATE）的均方根误差（RMSE）在三个序列中分别降低45%、37%和37%，旋转姿态误差（RPE）同步下降。与语义方法RDS-SLAM相比，本方法虽在部分序列精度稍逊，但避免了语义模型的计算开销。

噪声鲁棒性测试表明，在高斯噪声（σ=5-15）干扰下，动态特征检测精度保持稳定。当σ=15时，准确率仍达86.7%，证明方法对光学流估计误差具有一定容错能力。失败案例分析指出，低纹理区域的光学流计算误差、突发场景变化以及复杂旋转平移复合运动可能引发误分类，这为未来改进指明方向。

结论部分强调，本工作通过纯几何方法实现了动态环境下的高效特征过滤，为单目VSLAM系统提供轻量级解决方案。未来工作将聚焦于运动方向模糊场景的改进，并扩展至大尺度户外环境验证。该方法填补了非学习型动态SLAM技术的空白，特别适用于计算资源受限的移动机器人平台。