摘要：動(dòng)態(tài)環(huán)境干擾是視覺(jué)同時(shí)定位與地圖構(gòu)建（SLAM）領(lǐng)域內(nèi)一個(gè)亟待解決的問(wèn)題，場(chǎng)景中的運(yùn)動(dòng)對(duì)象會(huì)嚴(yán)重影響系統(tǒng)定位精度。結(jié)合語(yǔ)義信息和幾何約束更強(qiáng)的線特征輔助基于傳統(tǒng)ORB特征的SLAM系統(tǒng)來(lái)解決動(dòng)態(tài)SLAM問(wèn)題。首先采用深度學(xué)習(xí)領(lǐng)域的優(yōu)秀成果SOLOv2作為場(chǎng)景分割網(wǎng)絡(luò)，并賦予線特征語(yǔ)義信息；完成物體跟蹤和靜態(tài)區(qū)域初始化后，使用mask金字塔提取并分類特征點(diǎn)；再使用極線約束完成動(dòng)態(tài)物體上點(diǎn)線特征的剔除；最后融合靜態(tài)點(diǎn)線特征完成位姿的精確估計(jì)。在TUM動(dòng)態(tài)數(shù)據(jù)集上的實(shí)驗(yàn)表明，所提出的系統(tǒng)比ORB-SLAM3的位姿估計(jì)精度提高了72.20％，比DynaSLAM提高了20.42％，即使與近年來(lái)同領(lǐng)域內(nèi)的優(yōu)秀成果相比也有較好的精度表現(xiàn)。

關(guān)鍵詞：同時(shí)定位與地圖構(gòu)建；動(dòng)態(tài)環(huán)境；實(shí)例分割；SOLOv2；線特征

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695（2023）05-047-1583-06

0引言

基于視覺(jué)的同時(shí)定位與地圖構(gòu)建是指機(jī)器人在未知環(huán)境中，通過(guò)對(duì)視覺(jué)傳感器獲得的環(huán)境信息進(jìn)行處理后，實(shí)現(xiàn)自身定位和運(yùn)動(dòng)估計(jì)，并完成對(duì)所處環(huán)境的地圖繪建任務(wù)［1］。而場(chǎng)景中運(yùn)動(dòng)對(duì)象的干擾直接影響了整個(gè)SLAM系統(tǒng)的運(yùn)動(dòng)估計(jì)精度，并間接導(dǎo)致錯(cuò)誤的建圖。復(fù)雜動(dòng)態(tài)環(huán)境是SLAM系統(tǒng)部署在真實(shí)環(huán)境時(shí)必須考慮的問(wèn)題，同時(shí)也是近年來(lái)SLAM領(lǐng)域的重要研究方向［2］。針對(duì)動(dòng)態(tài)SLAM問(wèn)題的解決方案可按異常特征檢測(cè)方式的不同分為基于傳統(tǒng)幾何約束的方法和基于深度學(xué)習(xí)的方法［3］。

幾何約束法一般作用于特征初步提取之后，先使用全局點(diǎn)特征、線特征或者面特征計(jì)算出連續(xù)時(shí)間域全局特征的共有約束，再利用此約束遍歷全局特征，篩檢出偏離共有約束的離群值。Sun等人［4］提出了一種結(jié)合RGB-D數(shù)據(jù)并使用粒子濾波器跟蹤篩除圖像中的運(yùn)動(dòng)區(qū)域塊，該團(tuán)隊(duì)之后又提出了融合光流的OFD-SLAM［5］。Zhang等人［6］使用稠密光流分割場(chǎng)景中的動(dòng)靜態(tài)區(qū)域，并使用RGB-D信息重建靜態(tài)背景點(diǎn)云。StaticFusion［7］使用加權(quán)優(yōu)化概率化的圖像分割結(jié)果來(lái)實(shí)現(xiàn)靜態(tài)背景的重建。Dai等人［8］把點(diǎn)特征按空間相關(guān)性對(duì)其動(dòng)靜狀態(tài)進(jìn)行判別。Kim等人［9］提出了一種基于距離圖像的方法，該方法通過(guò)檢查激光雷達(dá)掃描結(jié)果和預(yù)構(gòu)建地圖之間的一致性來(lái)刪除動(dòng)態(tài)點(diǎn)，并使用多分辨率錯(cuò)誤預(yù)測(cè)還原算法來(lái)細(xì)化地圖。ERASOR［10］則是一種基于柵格占據(jù)的動(dòng)態(tài)物體過(guò)濾方法，它在構(gòu)建好點(diǎn)云地圖后再對(duì)地圖進(jìn)行處理，實(shí)現(xiàn)對(duì)動(dòng)態(tài)場(chǎng)景建圖的優(yōu)化。

不能充分理解環(huán)境動(dòng)態(tài)信息是導(dǎo)致SLAM系統(tǒng)較差精度表現(xiàn)的直接原因。在傳統(tǒng)幾何法的基礎(chǔ)上引入基于深度學(xué)習(xí)的圖像分割和檢測(cè)，如今已成為解決動(dòng)態(tài)SLAM問(wèn)題的有效方案。DS-SLAM結(jié)合SegNet［11］語(yǔ)義分割網(wǎng)絡(luò)識(shí)別環(huán)境中的運(yùn)動(dòng)對(duì)象，并用稀疏關(guān)鍵點(diǎn)光流來(lái)檢測(cè)外點(diǎn)特征。DynaSLAM［12］使用了檢測(cè)和分割精度更高的MaskR-CNN，再結(jié)合多視圖幾何法和光流法在動(dòng)態(tài)環(huán)境中取得了優(yōu)異的精度表現(xiàn)，此外該系統(tǒng)還可以修復(fù)運(yùn)動(dòng)對(duì)象遮擋區(qū)域。Detect-SLAM［13］利用SSD網(wǎng)絡(luò)對(duì)關(guān)鍵幀進(jìn)行目標(biāo)檢測(cè)，并通過(guò)在幀間關(guān)聯(lián)2D和3D點(diǎn)的運(yùn)動(dòng)狀態(tài)實(shí)現(xiàn)外點(diǎn)濾除。Ji等人［14］提出了一個(gè)高效的幾何模塊，通過(guò)將深度圖像聚類為幾個(gè)區(qū)域，并通過(guò)它們的重投影誤差識(shí)別動(dòng)態(tài)區(qū)域來(lái)檢測(cè)未知的移動(dòng)物體。Chen等人［15］將激光雷達(dá)掃描變成一個(gè)體素化的稀疏四維點(diǎn)云，并通過(guò)結(jié)合殘差圖像提高了網(wǎng)絡(luò)對(duì)移動(dòng)目標(biāo)的分割性能，其設(shè)計(jì)的LMNet啟蒙了諸多的后續(xù)研究。MID-Fusion［16］是一種考慮場(chǎng)景對(duì)象為坐標(biāo)中心的方案，它結(jié)合先驗(yàn)物體模型來(lái)同時(shí)計(jì)算動(dòng)態(tài)對(duì)象和相機(jī)各自的運(yùn)動(dòng)。為了同時(shí)跟蹤場(chǎng)景中的多個(gè)剛體，Henein等人［17］提出了一種不依賴先驗(yàn)三維建模的運(yùn)動(dòng)跟蹤模型，然后在對(duì)象和相機(jī)跟蹤的因子圖優(yōu)化框架中集成運(yùn)動(dòng)模型和語(yǔ)義信息。VDO-SLAM［18］也提出使用包含所有物體運(yùn)動(dòng)和相機(jī)運(yùn)動(dòng)的統(tǒng)一模型描述動(dòng)態(tài)場(chǎng)景，但其需要預(yù)先完成圖像分割和場(chǎng)景光流計(jì)算，無(wú)法實(shí)現(xiàn)獨(dú)立運(yùn)行。DynaSLAMII［19］通過(guò)優(yōu)化邊界框結(jié)構(gòu)實(shí)現(xiàn)2D特征匹配三維物體，進(jìn)一步提高了系統(tǒng)對(duì)于運(yùn)動(dòng)物體的多目標(biāo)跟蹤能力。RDS-SLAM［20］是一個(gè)接近實(shí)時(shí)的語(yǔ)義動(dòng)態(tài)SLAM系統(tǒng)，它使用關(guān)鍵幀分割結(jié)合三維點(diǎn)貝葉斯濾波模型完成外點(diǎn)檢測(cè)。

盡管這些SLAM方法在動(dòng)態(tài)環(huán)境中取得了很大的進(jìn)步，但在特定動(dòng)態(tài)場(chǎng)景中仍面臨著錯(cuò)誤位姿估計(jì)，甚至系統(tǒng)無(wú)法運(yùn)行等問(wèn)題，并且對(duì)于跟蹤精度和運(yùn)行效率的權(quán)衡也還有可優(yōu)化的空間。由此，本文作出了以下貢獻(xiàn)：a）在SALM系統(tǒng)中集成了近年來(lái)性能和效率表現(xiàn)更為先進(jìn)的SOLOv2實(shí)例分割網(wǎng)絡(luò)，對(duì)場(chǎng)景中的物體實(shí)現(xiàn)像素級(jí)檢測(cè)分割；b）結(jié)合語(yǔ)義信息和線特征，跟蹤場(chǎng)景物體并初始化掩膜（mask）金字塔，用以完成點(diǎn)特征的提取、補(bǔ)充和分類，再結(jié)合傳統(tǒng)極線約束，實(shí)現(xiàn)物體運(yùn)動(dòng)狀態(tài)的檢測(cè)；c）幾何約束更強(qiáng)的線特征還被用做動(dòng)態(tài)場(chǎng)景中的特征補(bǔ)充，依靠點(diǎn)線特征融合實(shí)現(xiàn)更精確的相機(jī)位姿估計(jì)。

1語(yǔ)義點(diǎn)線動(dòng)態(tài)SLAM系統(tǒng)

1.1系統(tǒng)概述

考慮到ORB-SLAM3［21］是靜態(tài)環(huán)境假設(shè)下點(diǎn)特征SLAM的優(yōu)秀代表，本文以其RGB-D版本系統(tǒng)為基線框架，針對(duì)動(dòng)態(tài)環(huán)境展開(kāi)研究工作。因此本文提出的系統(tǒng)仍然包含tracking、localMapping、loopClosing三大基礎(chǔ)線程，此外還新增了快速LSD（linesegmentdetector）線特征提取和SOLOv2分割并行線程。圖1簡(jiǎn)明地描述了本文系統(tǒng)的整體框架。

首先，在構(gòu)造當(dāng)前幀信息的同時(shí)開(kāi)啟線特征提取和實(shí)例分割線程，把重開(kāi)銷的兩部分設(shè)計(jì)為并行線程可大幅提高系統(tǒng)運(yùn)行效率；之后通過(guò)線特征匹配和相鄰幀的分割結(jié)果，計(jì)算confidence矩陣完成物體跟蹤；另一方面，為了提高點(diǎn)特征的可靠性和有效性，本系統(tǒng)使用實(shí)例分割掩膜的金字塔來(lái)輔助提取關(guān)鍵點(diǎn)，實(shí)現(xiàn)將關(guān)鍵點(diǎn)分類到各個(gè)物體和背景中并適當(dāng)補(bǔ)充背景上的點(diǎn)；隨后，通過(guò)假設(shè)絕對(duì)靜態(tài)背景的關(guān)鍵點(diǎn)匹配對(duì)計(jì)算基礎(chǔ)矩陣，并以此對(duì)物體表面匹配點(diǎn)對(duì)檢查極線約束；緊接著，按照極線約束檢查結(jié)果和前面的物體跟蹤結(jié)果來(lái)劃分動(dòng)靜態(tài)區(qū)域；最后，對(duì)靜態(tài)的關(guān)鍵點(diǎn)對(duì)和關(guān)鍵線對(duì)進(jìn)行重投影誤差融合，完成相機(jī)位姿估計(jì)并在后端完成稀疏點(diǎn)云的建圖工作。

1.2SOLOv2實(shí)例分割

在實(shí)例分割領(lǐng)域，Wang等人［22］從masklearning和快速NMS（非極大值抑制）兩個(gè)方面出發(fā)，提出了SOLOv2這一高效率兼高精度的mask生成網(wǎng)絡(luò)。SOLOv2既不需要初階段目標(biāo)檢測(cè)，也不需要嵌入學(xué)習(xí)，它至多能以31.3FPS的運(yùn)行速度達(dá)到37.1%的mAP，其速度和精度表現(xiàn)一定程度地領(lǐng)先于MaskR-CNN和Yolact，非常適合作為SLAM系統(tǒng)的語(yǔ)義信息提取網(wǎng)絡(luò)?？剂康綄?shí)時(shí)性，本文選用較為輕量化版本的模型SOLOv2_Light_448_R50_3x在COCO數(shù)據(jù)集上進(jìn)行訓(xùn)練，并使用TensorRT推理引擎完成部署。

1.3語(yǔ)義線特征

對(duì)分割所得實(shí)例進(jìn)行跟蹤可以提高系統(tǒng)對(duì)場(chǎng)景中運(yùn)動(dòng)物體的持續(xù)檢測(cè)能力。例如，文獻(xiàn)［18］提取并分類靜態(tài)區(qū)域的點(diǎn)和動(dòng)態(tài)對(duì)象的點(diǎn)，再通過(guò)掩膜區(qū)域關(guān)鍵點(diǎn)的匹配來(lái)跟蹤物體，而Cube-SLAM［23］和EAO-SLAM［24］都使用到了邊緣線特征輔助幀間物體的關(guān)聯(lián)。所以為提高系統(tǒng)對(duì)實(shí)例中的小物體和具有良好幾何輪廓物體的跟蹤效果，本文使用幾何約束更為敏感的線特征對(duì)物體進(jìn)行匹配，同時(shí)提取到的線特征還可以作為良好的空間約束，進(jìn)一步提高后續(xù)的位姿估計(jì)精度。

出于效率考慮，本文參考PL-VINS［25］的改進(jìn)快速LSD算法對(duì)輸入幀提取線特征，對(duì)當(dāng)前幀Ik提取到的關(guān)鍵線使用LBD描述后與參考幀Ik-1關(guān)鍵線完成描述子特征匹配，對(duì)動(dòng)態(tài)和靜態(tài)線特征不加區(qū)分。線特征匹配基于LBD描述子的漢明距離，使用KNN算法，并設(shè)置非極大值抑制閾值為0.7（TUM_fr3序列）。考慮時(shí)間域的語(yǔ)義信息流動(dòng)性，即兩幀間的實(shí)例分割結(jié)果并沒(méi)有相互關(guān)聯(lián)，例如Ik-1幀的椅子01在Ik幀的檢測(cè)結(jié)果是椅子02?？蓪㈥P(guān)鍵線與并行線程的SOLOv2實(shí)例分割結(jié)果融合，得到包含語(yǔ)義信息的線特征。當(dāng)關(guān)鍵線的兩個(gè)端點(diǎn)位于同一物體mask掩膜上時(shí)，則認(rèn)為該線段為該物體上的特征。假設(shè)背景M0和實(shí)例掩膜Midclass構(gòu)成集合M，其中實(shí)例編號(hào)嚴(yán)格遵循COCO數(shù)據(jù)集的標(biāo)簽類別次序，如M0201中的“01”代表類別“人”，“02”代表第02號(hào)人。本文通過(guò)遍歷關(guān)鍵線匹配對(duì)用語(yǔ)義線特征對(duì)物體的跟蹤依賴于如圖2所示的confidence矩陣。

confidence矩陣大小為m×n，（0，1）至（0，n-1）為參考幀物體實(shí)例，（1，0）至（m-1，0）為當(dāng)前幀物體實(shí)例，令實(shí)例Midclass為編號(hào)class×100+id，（x，y）為當(dāng)前幀實(shí)例x與參考幀實(shí)例y的有效匹配線對(duì)的數(shù)量，第m行和n列為各項(xiàng)的線匹配數(shù)總和。對(duì)分配結(jié)果使用非極大值抑制并取最優(yōu)匹配，即可得到幀間物體實(shí)例的實(shí)例追蹤關(guān)系。追蹤效果如圖3所示，成功使用語(yǔ)義線特征對(duì)物體實(shí)現(xiàn)持續(xù)追蹤，并為新出現(xiàn)的物體賦予新的編號(hào)。

如果當(dāng)前幀產(chǎn)生實(shí)例的成功跟蹤，則傳遞參考幀的物體運(yùn)動(dòng)狀態(tài)，結(jié)合跟蹤到的所有靜態(tài)物體Midclass和背景M0，可以得到如式（1）所示的初始靜態(tài)區(qū)域。

1.4點(diǎn)線約束的動(dòng)態(tài)物體檢測(cè)

文獻(xiàn)［11～13］對(duì)提取到的特征直接按掩膜類別做篩除，并使用基于特征幀間投影的幾何方法來(lái)檢測(cè)動(dòng)態(tài)特征。在此基礎(chǔ)上，本文提出mask金字塔和遞進(jìn)式極線約束計(jì)算方法，更進(jìn)一步地優(yōu)化了上述方法中的兩個(gè)問(wèn)題：a）按標(biāo)簽類別劃分動(dòng)態(tài)物體并直接刪除動(dòng)態(tài)區(qū)域特征后，特征過(guò)少嚴(yán)重影響跟蹤精度的問(wèn)題；b）極線幾何約束在動(dòng)態(tài)場(chǎng)景中的有效性下降問(wèn)題。

初始基礎(chǔ)矩陣Finit的準(zhǔn)確性直接關(guān)系極線約束鑒別動(dòng)態(tài)物體的效果，為了使用不包含物體表面的關(guān)鍵點(diǎn)計(jì)算出更為精確可靠的背景關(guān)鍵點(diǎn)基礎(chǔ)矩陣，本文結(jié)合前面SOLOv2已得的分割實(shí)例，修改了ORB-SLAM3中的關(guān)鍵點(diǎn)提取方法，在計(jì)算輸入幀八層金字塔的同時(shí)也計(jì)算實(shí)例掩膜的八層金字塔，如圖4所示。mask金字塔有兩個(gè)作用：a）保證點(diǎn)集中的所有點(diǎn)可以在各自層的各自cell塊內(nèi)都能對(duì)關(guān)鍵點(diǎn)按實(shí)例分類為物體（彩色部分）點(diǎn)集pki∈Midclass和背景（黑色部分）點(diǎn)集pki∈M0；b）在cell塊內(nèi)的背景區(qū)域增加關(guān)鍵點(diǎn)數(shù)量，以獲得更準(zhǔn)確的初始基礎(chǔ)矩陣。

3實(shí)驗(yàn)與分析

本文系統(tǒng)在工作站電腦上完成測(cè)試，硬件配置為AMDEpyc7452CPU，最高睿頻3.35GHz，32核64線程，256GBRAM和RTX2080TiGPU，系統(tǒng)環(huán)境為Ubuntu20.04。

TUM數(shù)據(jù)集［27］是較為權(quán)威的RGB-D室內(nèi)開(kāi)源數(shù)據(jù)集，其中動(dòng)態(tài)場(chǎng)景部分在動(dòng)態(tài)SLAM領(lǐng)域中被廣泛地用于各項(xiàng)指標(biāo)評(píng)估。其動(dòng)態(tài)部分可分為低動(dòng)態(tài)場(chǎng)景和高動(dòng)態(tài)場(chǎng)景兩大類，在TUM_fr3_sitting序列中包含人員和物體的微小運(yùn)動(dòng)，TUM_fr3_walking序列中包含人員和物體的大幅度運(yùn)動(dòng)，十分考驗(yàn)系統(tǒng)的跟蹤魯棒性。兩大類的相機(jī)運(yùn)動(dòng)還可以分為四小類：xyz指相機(jī)在三個(gè)主軸方向運(yùn)動(dòng)；static指相機(jī)幾乎不動(dòng)；rpy指相機(jī)沿三個(gè)坐標(biāo)軸做翻滾角、俯仰角、偏航角的旋轉(zhuǎn)運(yùn)動(dòng)；halfsphere指相機(jī)在半球面上運(yùn)動(dòng)。

3.1跟蹤精度實(shí)驗(yàn)

對(duì)本文提出的SOLOv2輔助的語(yǔ)義點(diǎn)線動(dòng)態(tài)SLAM系統(tǒng)（SOLOpointlinedynamicSLAM，SPLD-SLAM）進(jìn)行跟蹤精度的定量評(píng)估，并以基線ORB-SLAM3和多個(gè)優(yōu)秀的動(dòng)態(tài)場(chǎng)景SLAM方案為參考對(duì)象。評(píng)估指標(biāo)為絕對(duì)軌跡誤差（absolutetrajectoryerror，ATE），即本系統(tǒng)對(duì)相機(jī)位姿的估計(jì)值與數(shù)據(jù)集真值之間的差異。表1為本文SPLD-SLAM與基線系統(tǒng)的ATE指標(biāo)對(duì)比，其中包括了均方誤差（RMSE）、平均誤差（mean）、中位數(shù)誤差（median）和標(biāo)準(zhǔn)差（S.D.）。其中，RMSE項(xiàng)直接描述估計(jì)值與真值之差，可以最直觀地反映SLAM系統(tǒng)的準(zhǔn)確性，而S.D.項(xiàng)代表系統(tǒng)的估計(jì)值距離真值的離散程度，可以反映系統(tǒng)的穩(wěn)定性。

對(duì)每組實(shí)驗(yàn)重復(fù)6次再取平均值并取四位有效精度，可得表1的實(shí)驗(yàn)結(jié)果。從RMSE誤差項(xiàng)可以看出，本文SPLD-SLAM除了在微動(dòng)態(tài)場(chǎng)景sitting_static中未大幅領(lǐng)先于基線之外，在其余四個(gè)高動(dòng)態(tài)場(chǎng)景中取得了平均84.06％的精度提升，而在五個(gè)序列的總平均提升也有72.20％。但在挑戰(zhàn)性極高的walking_rpy序列上，本文SPLD-SLAM的誤差還是遠(yuǎn)高于其他幾個(gè)序列，主要還是因?yàn)樵撔蛄兄邢鄼C(jī)大幅度旋轉(zhuǎn)帶來(lái)的畫面模糊問(wèn)題和干擾人員占畫面過(guò)多問(wèn)題。

選擇三個(gè)極具代表性的高動(dòng)態(tài)序列對(duì)本文SPLD-SLAM與基線系統(tǒng)進(jìn)行定性分析，如圖8所示。其展示了兩者在fr3_w_xyz、fr3_w_half和fr3_w_rpy這三個(gè)序列中的可視化軌跡誤差。對(duì)于該軌跡熱力圖，虛線為軌跡真值，實(shí)線為估計(jì)值，顏色越偏紅則表示誤差越大，顏色越偏藍(lán)則表示誤差越小（見(jiàn)電子版）。分析兩者在三個(gè)主軸方向的誤差可以看出，SPLD-SLAM估計(jì)出的軌跡總體上十分接近軌跡真值，且基本沒(méi)有出現(xiàn)類似基線系統(tǒng)局部誤差過(guò)大的情況。此外，基線系統(tǒng)在fr3_w_rpy序列上還出現(xiàn)了極為嚴(yán)重的軌跡偏離。圖9對(duì)比了兩個(gè)系統(tǒng)各項(xiàng)誤差隨時(shí)間變化的情況，結(jié)合標(biāo)準(zhǔn)差項(xiàng)可以看出在整個(gè)系統(tǒng)運(yùn)行周期內(nèi)，SPLD-SLAM全程都保證了較低的跟蹤誤差和更小的誤差波動(dòng)，真實(shí)直觀地說(shuō)明了其更高的跟蹤魯棒性和運(yùn)行穩(wěn)定性。

為了更有效地分析SPLD-SLAM在同領(lǐng)域內(nèi)的橫向性能表現(xiàn)，本文還在表2～4中對(duì)比了近年來(lái)的優(yōu)秀動(dòng)態(tài)SLAM方案，具體包括DS-SLAM、DynaSLAM、SLAM-PCD［28］和RDS-SLAM。其中，表2是絕對(duì)軌跡誤差A(yù)TE對(duì)比，表3和4分別是平移部分和旋轉(zhuǎn)部分的相對(duì)誤差（RPE）對(duì)比。在橫向?qū)Ρ戎?，本文SPLD-SLAM的精度表現(xiàn)穩(wěn)定且具有一定的精度優(yōu)勢(shì)。SPLD-SLAM在walking_xyz和walking_half序列中表現(xiàn)出領(lǐng)先的跟蹤精度水準(zhǔn)，這也得益于其對(duì)位姿估計(jì)由粗到細(xì)的遞進(jìn)式優(yōu)化算法。特別地，將本文SPLD-SLAM與本領(lǐng)域開(kāi)源方案中的優(yōu)秀代表DynaSLAM相比，雖然在平移部分RPE中，SPLD-SLAM未與DynaSLAM拉開(kāi)明顯差距，但在旋轉(zhuǎn)部分RPE中的三個(gè)序列中，說(shuō)明了本文的延拓性研究有明顯的效果提升。而分析ATE部分的RMSE誤差項(xiàng)可以發(fā)現(xiàn)，除了在walking_static中本文SPLD-SLAM的精度略有下降之外，在其他四個(gè)序列中均有較大提升，在五個(gè)序列上總體平均提升了20.42％。

3.2動(dòng)態(tài)場(chǎng)景稀疏點(diǎn)云

針對(duì)動(dòng)態(tài)場(chǎng)景的可視化稀疏點(diǎn)云，為了清晰地展現(xiàn)本文方案的有效性，設(shè)計(jì)了如圖10所示的多組實(shí)驗(yàn)。其中，圖（a）為點(diǎn)特征稀疏點(diǎn)云，圖（b）為線特征稀疏點(diǎn)云，圖（c）為點(diǎn)線融合稀疏點(diǎn)云。每組的左圖為單純點(diǎn)線特征融合無(wú)運(yùn)動(dòng)濾噪的建圖效果，右圖為本文SPLD-SLAM對(duì)運(yùn)動(dòng)干擾處理后的建圖效果。

圖10的實(shí)驗(yàn)在fr3_w_xyz序列上進(jìn)行，其中每組圖中的左圖紅色圈內(nèi)為運(yùn)動(dòng)干擾人員表面的干擾特征，這些噪聲在地圖中被構(gòu)建，意味著大量干擾地圖點(diǎn)被系統(tǒng)錯(cuò)誤地用于相機(jī)位姿估計(jì)。而從每組圖的右圖中可以看出，在本文設(shè)計(jì)的語(yǔ)義線特征信息的輔助下，整個(gè)系統(tǒng)實(shí)現(xiàn)了較好效果的濾噪建圖。

4結(jié)束語(yǔ)

針對(duì)動(dòng)態(tài)場(chǎng)景的SLAM問(wèn)題，本文提出將語(yǔ)義信息與線特征結(jié)合的解決方案。本文使用比MaskR-CNN的效率和分割

精度更為優(yōu)秀的SOLOv2作為實(shí)例分割網(wǎng)絡(luò)，再賦予線特征語(yǔ)義信息；對(duì)場(chǎng)景中的動(dòng)態(tài)物體進(jìn)行追蹤，并計(jì)算出初始位姿，然后利用mask金字塔和點(diǎn)的極線幾何約束，對(duì)物體的運(yùn)動(dòng)狀態(tài)進(jìn)行判定；最后完成動(dòng)態(tài)特征的剔除，并實(shí)現(xiàn)精確的點(diǎn)線特征融合位姿估計(jì)。在TUM數(shù)據(jù)集動(dòng)態(tài)序列中的測(cè)試結(jié)果表明，本文提出的語(yǔ)義信息融合線特征SLAM方案的位姿估計(jì)精度與基線ORB-SLAM3相比有顯著提升，與同領(lǐng)域內(nèi)的優(yōu)秀代表DynaSLAM相比也有一定程度的提升。即使橫向?qū)Ρ冉陙?lái)諸多優(yōu)異動(dòng)態(tài)SLAM方案，本文SPLD-SLAM也有明顯的精度優(yōu)勢(shì)。在未來(lái)的工作中，將進(jìn)一步結(jié)合分割所得語(yǔ)義信息對(duì)動(dòng)態(tài)場(chǎng)景進(jìn)行稠密語(yǔ)義地圖的構(gòu)建，解決更高層的SLAM問(wèn)題。

參考文獻(xiàn)：

［1］YuanShenghai，WangHan，XieLihua.Surveyonlocalizationsystemsandalgorithmsforunmannedsystems［J］.UnmannedSystems，2021，9（2）：129-163.

［2］CadenaC，CarloneL，CarrilloH，etal.Past，present，andfutureofsi-multaneouslocalizationandmapping：towardtherobust-perceptionage［J］.IEEETransonRobotics，2016，32（6）：1309-1332.

［3］張恒，侯家豪，劉艷麗.基于動(dòng)態(tài)區(qū)域剔除的RGB-D視覺(jué)SLAM算法［J］.計(jì)算機(jī)應(yīng)用研究，2022，39（3）：675-680.（ZhangHeng，HouJiahao，LiuYanli.RGB-DvisualSLAMalgorithmbasedondynamicregionelimination［J］.ApplicationResearchofCompu-ters，2022，39（3）：675-680.）

［4］SunYuxiang，LiuMing，MengMQH.MotionremovalforreliableRGB-DSLAMindynamicenvironments［J］.RoboticsandAutonomousSystems，2018，108（12）：115-128.

［5］ChengJiyu，SunYuxiang，MengMQH.ImprovingmonocularvisualSLAMindynamicenvironments：anoptical-flow-basedapproach［J］.AdvancedRobotics，2019，33（12）：576-589.

［6］ZhangTianwei，ZhangHuayan，LiYang，etal.Flowfusion：dynamicdenseRGB-DSLAMbasedonopticalflow［C］//ProcofIEEEInternationalConferenceonRoboticsandAutomation.Piscataway，NJ：IEEEPress，2020：7322-7328.

［7］SconaR，JaimezM，PetillotYR，etal.StaticFusion：backgroundreconstructionfordenseRGB-DSLAMindynamicenvironments［C］//ProcofIEEEInternationalConferenceonRoboticsandAutomation.Piscataway，NJ：IEEEPress，2018：3849-3856.

［8］DaiWeichen，ZhangYu，LiPing，etal.RGB-DSLAMindynamicenvironmentsusingpointcorrelations［J］.IEEETransonPatternAnalysisandMachineIntelligence，2020，44（1）：373-389.

［9］KimG，KimA.Remove，thenrevert：staticpointcloudmapconstructionusingmultiresolutionrangeimages［C］//ProcofIEEE/RSJInternationalConferenceonIntelligentRobotsandSystems.Piscataway，NJ：IEEEPress，2020：10758-10765.

［10］LimH，HwangS，MyungH.ERASOR：egocentricratioofpseudooccupancy-baseddynamicobjectremovalforstatic3Dpointcloudmapbuilding［J］.IEEERoboticsandAutomationLetters，2021，6（2）：2272-2279.

［11］YuChao，LiuZuxin，LiuXJ，etal.DS-SLAM：asemanticvisualSLAMtowardsdynamicenvironments［C］//ProcofIEEE/RSJInternationalConferenceonIntelligentRobotsandSystems.Piscataway，NJ：IEEEPress，2018：1168-1174.

［12］BescosB，F(xiàn)ácilJM，CiveraJ，etal.DynaSLAM：tracking，mapping，andinpaintingindynamicscenes［J］.IEEERoboticsandAutomationLetters，2018，3（4）：4076-4083.

［13］ZhongFangwei，WangSheng，ZhangZiqi，etal.Detect-SLAM：makingobjectdetectionandSLAMmutuallybeneficial［C］//ProcofIEEEWinterConferenceonApplicationsofComputerVision.Piscataway，NJ：IEEEPress，2018：1001-1010.

［14］JiTete，WangChen，XieLihua.Towardsreal-timesemanticRGB-DSLAMindynamicenvironments［C］//ProcofIEEEInternationalConferenceonRoboticsandAutomation.Piscataway，NJ：IEEEPress，2021：11175-11181.

［15］ChenXieyuanli，LiShijie，MerschB，etal.Movingobjectsegmentationin3DLiDARdata：alearning-basedapproachexploitingsequentialdata［J］.IEEERoboticsandAutomationLetters，2021，6（4）：6529-6536.

［16］XuBinbin，LiWenbin，TzoumanikasD，etal.MID-fusion：octree-basedobject-levelmulti-instancedynamicSLAM［C］//ProcofInternationalConferenceonRoboticsandAutomation.Piscataway，NJ：IEEEPress，2019：5231-5237.

［17］HeneinM，ZhangJun，MahonyR，etal.DynamicSLAM：theneedforspeed［C］//ProcofIEEEInternationalConferenceonRoboticsandAutomation.Piscataway，NJ：IEEEPress，2020：2123-2129.

［18］ZhangJun，HeneinM，MahonyR，etal.VDO-SLAM：avisualdynamicobject-awareSLAMsystem［EB/OL］.（2020）.https：//arxiv.org/abs/2005.11052.

［19］BescosB，CamposC，TardósJD，etal.DynaSLAMⅡ：tightly-coupledmulti-objecttrackingandSLAM［J］.IEEERoboticsandAutomationLetters，2021，6（3）：5191-5198.

［20］LiuYubao，MiuraJ.RDS-SLAM：real-timedynamicSLAMusingsemanticsegmentationmethods［J］.IEEEAccess，2021，9：23772-23785.

［21］CamposC，ElviraR，RodríguezJJG，etal.ORB-SLAM3：anaccurateopen-sourcelibraryforvisual，visual-inertial，andmultimapSLAM［J］.IEEETransonRobotics，2021，37（6）：1874-1890.

［22］WangXinlong，ZhangRufeng，KongT，etal.SOLOv2：dynamicandfastinstancesegmentation［J］.AdvancesinNeuralInformationProcessingSystems，2020，33：17721-17732.

［23］YangShichao，SchererS.CubeSLAM：Monocular3-DobjectSLAM［J］.IEEETransonRobotics，2019，35（4）：925-938.

［24］WuYanmin，ZhangYunzhou，ZhuDelong，etal.EAO-SLAM：monocularsemi-denseobjectSLAMbasedonensembledataassociation［C］//ProcofIEEE/RSJInternationalConferenceonIntelligentRobotsandSystems.Piscataway，NJ：IEEEPress，2020：4966-4973.

［25］FuQiang，WangJialong，YuHongshan，etal.PL-VINS：real-timemonocularvisual-inertialSLAMwithpointandlinefeatures［EB/OL］.（2020）.https：//arxiv.org/abs/2009.07462.

［26］Gomez-OjedaR，MorenoFA，Zuniga-NoёlD，etal.PL-SLAM：astereoSLAMsystemthroughthecombinationofpointsandlinesegments［J］.IEEETransonRobotics，2019，35（3）：734-746.

［27］SturmJ，EngelhardN，EndresF，etal.AbenchmarkfortheevaluationofRGB-DSLAMsystems［C］//ProcofIEEE/RSJInternationalConferenceonIntelligentRobotsandSystems.Piscataway，NJ：IEEEPress，2012：573-580.

［28］FanYingchun，ZhangQichi，LiuShaofeng，etal.SemanticSLAMwithmoreaccuratepointcloudmapindynamicenvironments［J］.IEEEAccess，2020，8：112237-112252.