动态环境下融合实例分割的视觉SLAM优化方法

来源：计算机技术与发展杂志2024年第06期北京时间：

作者：贾丛晨;肖建

摘要：由于视觉 SLAM(Simultaneous Localization and Mapping)算法研究多建立于静态环境中,使得在动态环境下的应用造成较大定位偏移,极大降低了系统的稳定性。 针对该问题,该文在原有视觉 SLAM 算法的基础上结合深度学习方法,对环境可能存在的动态目标进行特征点剔除,从而提升系统在动态环境下的鲁棒性。 采用的视觉 SLAM 系统为 ORB-SLAM3,深度学习方法为 YOLOv5 的实例分割算法,采用对目标模型 mask 轮廓内特征点的检测算法及多视角几何方法进行特征点剔除。 首先利用并行通信,将 SLAM 系统获取到的帧数据传入 YOLOv5 系统中进行可能为动态目标的分割,然后将其分割结果传回 SLAM 系统进行跟踪建图。 同时改进词袋加载模型,提升加载速度,最终构建动态环境的稠密地图,具备可靠的实时性。 通过在 TUM 数据集上的实验评估,该方法对比原 SLAM 框架及现阶段经典动态环境研究均有提升,其在保证平均帧率不降低的前提下精度较 ORB-SLAM3 的 RMSE 平均提升近 89% 。 实验结果表明,对动态环境下的视觉SLAM 算法有效改进,极大提升了系统的鲁棒性及稳定性。

关键词：动态环境;视觉SLAM;特征点检测;实例分割;稠密建图