第61卷第3期Vol.61No.32023年3月March2023农业装备与车辆工程AGRICULTURALEQUIPMENT&VEHICLEENGINEERING0引言同时定位与建图（SimultaneousLocalizationandMapping,SLAM）系统通常用于为机器人提供其在周围环境中所处位置与姿态的状态感知与估计，同时对所处环境进行增量式地图重构。早期SLAM技术的研究主要使用激光传感器作为主传感器采集数据，激光传感器成本较高，于是基于相机的视觉SLAM技术成为了目前研究的主流。大多数的SLAM系统都是基于静态环境的假设，其中场景点之间的相对位置不变，只有相机的运动。在此假设下，SLAM模型将视觉变化全部归因于相对摄像机运动。通常的方法是，将可能的动态区域设置为离群值，在姿态跟踪和地图估计过程中将其忽略。但是这种方法会造成在很多场景下特征点提取不足，导致跟踪失败。此外，对于基于特征的SLAM方法，如果跟踪少量的显著图像点，则动态区域中相对少量的匹配所产生的错误可能导致系统故障。Berta等在ORB-SLAM2[1]的基础上开发了DynaSLAM[2]，通过结合潜在移动对象的语义分割和检测场景中与模型运动不一致来实现的对动态对象的移除，其中Mask-RCNN[3]用于语义分割，检测和分类一些已经预先设置为潜在的动态(例如车和人)。在DynaSLAM的基础上，提出了DynaSLAMII[4]。提出了一种由更高级的2D实例匹配引导的动态目标特征匹配方法以及一种具有相机，点和动态目标之间新测量值的高效的BA方案。类似的方法有StaticFusion[5]，它是一种稠密的RGB-D视觉SLAM系统，通过使用场景背景的3D重构来进行动态物体分割。除了动态对象的分割之外，还有MID-Fusion[6]、MaskFusion[7]、DynSLAM[8]和ClusterVO[9]等算法，它们的方法是同时估计摄doi:10.3969/j.issn.1673-3142.2023.03.019复杂动态场景下基于光流分割SLAM算法研究叶寒雨1，李传昌1，刘淼1，汪子潇1，张伟伟2（1.201620上海市上海工程技术大学机械与汽车工程学院；2.100084北京市清华大学车辆与运载学院）[摘要]针对目前主流SLAM（同时定位与建图）算法在动态环境中存在精度大幅下降的问题，提出了一种基于光流分割去除动态物体干扰的DY-SLAM（SLAMInDynamicEnvironment）算法。该算法采用实例分割算法结合相邻帧图像之间的稠密光流对动态物体进行分割，在SLAM系统图像帧间匹配前剔除动态物体特征点，提高动态环境下的定位精度。使用公开数据集对算法进行评估，算法的RMSE提升最大可达21.59%，能够有效提高系统在复杂动态环境下的定位精度及鲁棒性。[关键...
