Yu, Chao, Zuxin Liu, Xin-Jun Liu, Fugui Xie, Yi Yang, Qi Wei, and Qiao Fei. “DS-SLAM: A Semantic Visual SLAM towards Dynamic Environments.” In 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 1168–74. Madrid: IEEE, 2018. https://doi.org/10.1109/IROS.2018.8593691.
1 Introduction
本文的贡献：
- 提出一个基于ORB-SLAM2 应用于动态环境中的语义SLAM 系统——DS-SLAM，在公开数据集上进行测试，证明了本系统在动态环境中的精度与鲁棒性；
- 添加一个实时语义分割网络线程，结合语义分割和运动一致性检验来滤除场景中的动态区域；
- 创建了一个构建稠密3D 语义八叉树地图的线程。
3 System Introduction
3.1 Framework of DS-SLAM
本章介绍五个部分的内容：
- DS-SLAM 的整体架构；
- 本算法中使用的实时语义分割方法；
- 特征点运动一致性检验；
- 外点剔除方法：结合语义分割和运动一致性来滤除动态物体；
- 构建语义八叉树地图的方法。
3.1 Framework of DS-SLAM
由于ORB-SLAM2 在实际应用中的优良表现，作者使用ORB-SLAM2 作为本算法的基本架构，来提供一个基于特征的全局SLAM 算法架构。系统整体架构如Fig. 1所示，DS-SLAM 运行5个线程：跟踪，语义分割，局部制图，回环检测和稠密建图。
系统框架如Fig. 2所示，整体流程如下所示：
- RGB 图片同时被跟踪线程和语义分割线程处理；
- 跟踪线程首先提取ORB 特征点，然后粗略检验特征点的运动一致性，并保存潜在的外点；
- 待像素级语义分割结果生成后，基于语义分割结果和上步检测到的潜在外点，识别出动态物体，并剔除位于动态物体内的ORB 外点；
- 最后，利用剩余的稳定特征点来计算转换矩阵。
3.3 Moving Consistency Check
本系统认为，如果一个分割物体内的一些点被识别为动态的，那么就判定该物体是动态物体。
运动一致性检验步骤如下：
- 首先，计算光流金字塔来获取当前帧中的匹配特征点；
- 然后，如果特征点匹配对太靠近图片边缘，或者两帧图片以特征点中心的3*3 图像块的像素差异过大，那么该匹配对也会被舍弃；
- 接着，利用RANSAC 策略计算基础矩阵，在此基础上计算当前帧中的极线；
- 最后，根据匹配点对与极线之间的距离来判断该匹配点对是否是动态的。
基础矩阵将上一帧的特征点投影至当前帧上，得到对应的搜索区域，即极线。假设相邻两帧的匹配点对齐次坐标与像素坐标为：
然后，利用下式计算对应的极线：
其中，$[X,Y,Z]^T$ 表示极线向量；F 表示基础矩阵。在此基础上，计算当前帧匹配点与极线之间的距离：
运动一致性检验算法整体流程如算法1所示：
3.4 Outliers Rejection
利用几何方法难以确定动态区域的轮廓，因此DS-SLAM 结合语义分割结果来得到动态物体的轮廓：利用运动一致性检验得到动态特征点集合，然后判断物体轮廓内动态特征点的数量是否超过阈值，若超过阈值，则判定该物体属于动态物体，然后剔除掉属于该物体的所有特征点。
作者的实验证明，本系统ORB 特征提取时间+移动一致性检验的时间，与语义分割线程所需的时间基本一致。
由于人类活动会在大部分真实场景中影响机器人的定位，所以作者以人类作为一个典型示例，展示DS-SLAM 的效果，但理论上DS-SLAM 可以应用于多种不同的动态物体检测。
作者判断动态物体的策略为：如果语义分割结果中没有人类，则使用所有的ORB 特征点直接进行匹配与位姿解算；如果有人类被检测到，则结合运动一致性来检验动态物体。
4 Experimental Results
