面向CPU的动态点-线RGB-D SLAM：融合3D线特征与对象级掩码滤波的室内鲁棒定位方法

《Scientific Reports》：Resource-aware structural point-line RGB-D SLAM for dynamic indoor environments

　　本文提出了一种面向CPU的动态点-线RGB-D SLAM方法，用于在含有移动物体的室内场景中实现鲁棒定位，且无需依赖GPU加速。该方法针对动态RGB-D SLAM中的两个耦合挑战：移动前景物体导致的视觉约束退化，以及动态特征抑制后几何可观测性减弱的问题。为此，利用时间维持的物体级掩码和光流一致性来过滤不可靠的观测，同时通过3D线特征地标提供来自静态环境的互补结构约束。后端在局部和全局束调整中联合优化相机姿态、点地标和线地标。在线特征优化中，我们采用点到线的重投影残差，约束观测到的2D线段端点位于3D线特征地标的投影图像线上。这避免了直接端点对端点的匹配，并提高了对可见线段范围因遮挡、视角变化和线段断裂而改变时的鲁棒性。在回环闭合或地图合并后，利用几何和描述符一致性对重复线进行保守融合。在公开动态RGB-D数据集上的实验表明，该方法具有竞争力的轨迹精度，尤其在具有可观测静态结构的场景中表现突出，同时也揭示了其在强旋转运动下的局限性。