1
摘要
动态环境对视觉SLAM具有挑战性,因为移动对象遮挡了静态环境特征并导致错误的摄像机运动估计.在这篇文章中,我们提出了一个新的密集的三维立体模型解决方案,同时完成了动态/静态分割和相机自我运动估计以及静态背景重建...我们的创新之处在于使用光流残差来突出RGBD点云中的动态语义,并为摄像机跟踪和背景重建提供更准确和有效的动态/静态分割.在公共数据集和真实动态场景上的密集重建结果表明,与现有方法相比,该方法在动态和静态环境下均取得了准确和高效的性能...机器人的同时定位和地图是从未知环境中获取信息,建立地图,并在地图上定位机器人.无论在机器人学还是计算机视觉研究领域,动态环境都是实现SLAM的一大难题.这是因为现有的大多数SLAM方法和视觉里程计解决方案都是基于静态环境假设来保证其鲁棒性和效率的...输入两个连续的RGB-D帧A和B,RGB图像首先被馈送到PWC-net用于光流(黄色箭头)估计.同时,强度和深度对A和B被馈送到鲁棒相机自我运动估计器,以初始化相机运动ξ,然后,我们用ξ将帧A映射到A’...,这使得难以获得光流残差.脚部分被分割成静态背景,因为在行走阶段,地面上的支撑脚很容易被视为静态对象.虽然扫地脚移动得很快,并保留了大量的光流残余,但它们离坚硬的地面太近了.因此,由于图的连通性,它们很容易被分割成静态背景