基于深度学习的动态环境视觉SLAM算法研究.pdf

摘要

同步定位和地图构建（SimultaneousLocalizationandMapping，SLAM）是无人

系统在未知环境中自主运动与探索的关键技术。然而，现有的SLAM算法大多采用

静态场景假设，这种假设忽略了真实环境中独立运动物体对系统精度的影响。因

此，为提高SLAM系统在动态环境下的鲁棒性，本文主要研究内容如下：

（1）针对动态物体降低视觉里程计位姿估计精度的问题，本文提出一种基于

目标检测与区域生长的视觉里程计。首先，将目标检测网络获得的语义信息与基于

区域生长的图像分割算法相结合，获得高度动态对象的掩膜。其次，使用几何约束

检测场景中的其他潜在运动点，再根据语义信息将潜在动态点作为种子进行区域生

长，获得潜在动态对象的掩膜，利用动态掩膜删除动态物体上的特征点。此外，为

解决动态场景下静态特征点过少的问题，本文提出一种面向动态场景的特征点提取

和均匀化算法。最后，实验结果表明，本文视觉里程计能够有效提高ORB-SLAM2

系统在高动态场景下的定位精度，对自主移动的机器人具有长期的应用价值。

（2）为满足视觉SLAM稠密地图构建的需要，本文提出动态场景下基于神经

辐射场的稠密地图构建算法，通过Instant-NGP（InstantNeuralGraphicsPrimitives）

框架的神经辐射场算法，在ORB-SLAM2的框架上实现稠密地图的创建与保存。此

外提出了一种面向动态场景的射线跳点采样算法，以减小动态物体对神经辐射场射

线采样的严重影响。最后，在公开的TUMRGB-D数据集和Bonn数据集上进行稠

密建图实验，证明了本文所提出的稠密地图构建算法在动态场景下的有效性。

关键词：同步定位与地图构建；动态环境；目标检测；区域生长；神经辐射场

ABSTRACT

SimultaneousLocalizationandMapping(SLAM)isakeytechnologyfor

autonomousmovementandexplorationofunmannedsystemsinunknownenvironments.

However,mostoftheexistingSLAMalgorithmsadoptthestaticsceneassumption,which

ignorestheinfluenceofindependentmovingobjectsinrealenvironmentsonthesystem

accuracy.Therefore,toimprovetherobustnessofSLAMsystemsindynamic

environments,themainresearchinthispaperisasfollows:

(1)Toaddresstheissuethatmovingobjectsdecreasetheaccuracyofvisual

odometrypositionestimation,thispaperproposesvisualodometrybasedontarget

detectionandregiongrowth.First,thesemanticmessageobtainedfromtheobject

detectionnetworkiscombinedwitharegion-growth-basedimagesegmentationalgorithm

toobtainamaskofhighlydynamicobjects.Second,otherpotentialmotionpointsinthe

scenearedetectedusinggeometric