0. 簡介

現(xiàn)在的SLAM算法在靜態(tài)環(huán)境中表現(xiàn)良好，但在動(dòng)態(tài)環(huán)境中很容易失敗。最近的工作將基于深度學(xué)習(xí)的語義信息引入到SLAM系統(tǒng)以減輕動(dòng)態(tài)對(duì)象的影響。然而，在資源受限的機(jī)器人的動(dòng)態(tài)環(huán)境中應(yīng)用魯棒定位仍然具有挑戰(zhàn)性。所以《RGB-D Inertial Odometry for a Resource-Restricted Robot in Dynamic Environments》提出了一種用于動(dòng)態(tài)環(huán)境下資源受限機(jī)器人的實(shí)時(shí)RGB-D慣性里程計(jì)系統(tǒng)-Dynamic-VINS。系統(tǒng)包含三個(gè)主要并行運(yùn)行的線程：目標(biāo)檢測、特征跟蹤和狀態(tài)優(yōu)化。這里作者放出了Github代碼。Dynamic-VINS采用基于網(wǎng)格的特征檢測方法，提出了一種快速、高效的提取高質(zhì)量FAST特征點(diǎn)的方法。應(yīng)用IMU來預(yù)測運(yùn)動(dòng)，進(jìn)行特征跟蹤以及運(yùn)動(dòng)一致性檢測。近年來，他們的實(shí)驗(yàn)室也在這方面做出了很多的貢獻(xiàn)。這里CSDN上傳空間有限，所以各位想看的直接去IEEE官網(wǎng)看即可。其方法和Github上的YOLO-DynaSLAM差異不大。但是效率更高。

1. 文章貢獻(xiàn)

本文提出一種動(dòng)態(tài)環(huán)境下資源受限機(jī)器人的實(shí)時(shí)RGB-D慣性里程計(jì)(dynamic - vins)。它使邊緣計(jì)算設(shè)備能夠以較小的計(jì)算負(fù)擔(dān)為移動(dòng)平臺(tái)提供即時(shí)魯棒的狀態(tài)反饋。一種不需要高精度深度相機(jī)的高效動(dòng)態(tài)特征識(shí)別模塊可用于配備深度測量模塊的移動(dòng)設(shè)備。本文的主要貢獻(xiàn)如下:

1. 為了在動(dòng)態(tài)復(fù)雜環(huán)境下為資源受限機(jī)器人提供實(shí)時(shí)狀態(tài)估計(jì)結(jié)果，提出了一種高效的基于優(yōu)化的RGB-D慣性里程計(jì)。
2. 提出了輕量級(jí)的特征檢測與跟蹤方法，降低了計(jì)算負(fù)擔(dān)。此外，提出了結(jié)合目標(biāo)檢測和深度信息的動(dòng)態(tài)特征識(shí)別模塊，以提供復(fù)雜和戶外環(huán)境下魯棒的動(dòng)態(tài)特征識(shí)別。
3. 在資源受限平臺(tái)和動(dòng)態(tài)環(huán)境下進(jìn)行了驗(yàn)證實(shí)驗(yàn)，驗(yàn)證了所提方法的準(zhǔn)確性、魯棒性和高效性。

2. 具體算法

本文介紹的算法是基于VINS-Mono[2]和VINS-RGBD[25]對(duì)提出的SLAM系統(tǒng)進(jìn)行了擴(kuò)展;我們的框架如圖1所示，主要貢獻(xiàn)點(diǎn)的模塊用不同的顏色突出顯示。為了提高效率，Dynamic-VINS中有三個(gè)主線(由虛線包圍)并行運(yùn)行:目標(biāo)檢測、特征跟蹤和狀態(tài)優(yōu)化。彩色圖像被傳遞給目標(biāo)檢測線程和特征跟蹤線程。對(duì)連續(xù)兩幀之間的IMU測量值進(jìn)行[26]預(yù)積分，用于特征跟蹤、運(yùn)動(dòng)一致性檢查和狀態(tài)優(yōu)化。

在特征跟蹤線程中，利用IMU預(yù)積分實(shí)現(xiàn)特征跟蹤，并通過基于網(wǎng)格的特征檢測實(shí)現(xiàn)特征檢測。對(duì)象檢測線程實(shí)時(shí)檢測每幀中的動(dòng)態(tài)對(duì)象。然后，狀態(tài)優(yōu)化線程匯總特征信息、目標(biāo)檢測結(jié)果和深度圖像來識(shí)別動(dòng)態(tài)特征;針對(duì)漏檢情況進(jìn)行漏檢補(bǔ)償模塊。運(yùn)動(dòng)一致性檢測過程結(jié)合IMU預(yù)積分和歷史位姿估計(jì)結(jié)果識(shí)別潛在動(dòng)態(tài)特征。最后，利用穩(wěn)定特征和IMU預(yù)積分結(jié)果進(jìn)行姿態(tài)估計(jì)。IMU的傳播產(chǎn)生IMU率的姿態(tài)估計(jì)結(jié)果。該系統(tǒng)也支持閉環(huán)，但重點(diǎn)關(guān)注與閉環(huán)無關(guān)的局部化。

3. 特征匹配

對(duì)于每幅輸入圖像，使用KLT稀疏光流方法[27]跟蹤特征點(diǎn);利用幀間IMU測量值預(yù)測特征點(diǎn)的運(yùn)動(dòng)。通過減少光流金字塔層數(shù)，提供更好的特征初始位置估計(jì)，提高特征跟蹤效率。它能有效地去除噪聲等不穩(wěn)定特征和運(yùn)動(dòng)不一致的動(dòng)態(tài)特征。基本思想如圖2所示(這部分類似vins的操作)。

在前一幀中，穩(wěn)定的特征被標(biāo)記為紅色，新檢測到的特征被標(biāo)記為藍(lán)色。當(dāng)當(dāng)前幀到達(dá)時(shí)，使用當(dāng)前幀和前一幀之間的IMU測量值來預(yù)測當(dāng)前幀中的特征位置(綠色)。光流將預(yù)測的特征位置作為初始位置，在當(dāng)前幀中尋找匹配的特征。成功跟蹤的特征被標(biāo)記為紅色，而失敗的特征被標(biāo)記為不穩(wěn)定特征(紫色)。為避免特征檢測的重復(fù)和聚合，設(shè)置以穩(wěn)定特征為中心的橙色圓形掩模;將不穩(wěn)定特征所在區(qū)域視為不穩(wěn)定特征檢測區(qū)域，并用紫色圓形掩碼以避免不穩(wěn)定特征檢測。

根據(jù)掩碼，從當(dāng)前幀的未掩碼區(qū)域檢測到新的特征，并將其著色為藍(lán)色。上述方法可以獲得均勻分布的特征，捕捉綜合約束，避免在模糊或弱紋理區(qū)域重復(fù)提取不穩(wěn)定特征。長期的特征跟蹤可以在接下來的基于網(wǎng)格的特征檢測中減少時(shí)間消耗。

4. 基于網(wǎng)格的特征檢測

系統(tǒng)保持最小數(shù)量的特性以保持穩(wěn)定性。因此，需要不斷地從幀中提取特征點(diǎn)。采用基于網(wǎng)格的特征檢測方法。將圖像劃分為網(wǎng)格，對(duì)每個(gè)網(wǎng)格的邊界進(jìn)行填充，以防止忽略網(wǎng)格邊緣的特征;填充使當(dāng)前網(wǎng)格能夠獲得用于特征檢測的相鄰像素信息。與遍歷整個(gè)圖像進(jìn)行特征檢測不同，只有特征匹配不足的網(wǎng)格才進(jìn)行特征檢測。對(duì)于紋理弱而未能檢測到特征或被蒙版覆蓋的網(wǎng)格單元，將在下一幀檢測中跳過，避免重復(fù)無用檢測。采用線程池技術(shù)來提高基于網(wǎng)格的特征檢測的并行性能。因此，特征檢測的時(shí)間消耗顯著減少，且沒有損失。

快速特征檢測器[28]可以高效地提取特征點(diǎn)，但容易將噪聲作為特征，提取相似的聚類特征。因此，結(jié)合第III-A節(jié)的mask和非極大值抑制的思想，選擇高質(zhì)量且均勻分布的快速特征。文章來源地址http://www.zghlxwxcb.cn/news/detail-494330.html

…詳情請參照古月居

到了這里，關(guān)于經(jīng)典文獻(xiàn)閱讀之--Dynamic-VINS(動(dòng)態(tài)點(diǎn)濾除VINS)的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！