Cheng, Junhao, Zhi Wang, Hongyan Zhou, Li Li, and Jian Yao. “DM-SLAM: A Feature-Based SLAM System for Rigid Dynamic Scenes.” ISPRS International Journal of Geo-Information 9, no. 4 (April 2020): 202. https://doi.org/10.3390/ijgi9040202.
1 Introduction
本文做出的贡献：
- 提出一个完整的视觉SLAM 系统——DM-SLAM，该系统结合实例分割网络和光流信息，可在高动态环境中消除动态物体对位姿估计的影响，且本系统适用于单目、双目和RGB-D 相机；
- 针对RGB-D/双目和单目相机，分别提出两种高效提取动态点的策略；
- 在公开数据集上进行测试，证明了本算法的有效性。
3 System Introduction
3.2 Proposed Method
DM-SLAM 包含四个模块：语义分割、自运动估计、动态点检测，以及基于特征的SLAM 架构。
3.2.1 Overview of the Proposed Approach
本方法的整体架构如Fig. 2所示：
Fig. 3展示了本方法的细节，Mask R-CNN 处理过的图片包含像素级的语义信息，本系统暂时舍弃属于先验动态物体的特征点，利用剩余的特征点进行粗略的自运动估计；因为更少的特征点参与位姿解算，而且没有使用局部BA ，所以当前模块获取的初始位姿是不准确的。
然后，针对双目/RGB-D 和单目相机采用不同的动态点检测策略：
- 针对单目相机，使用对极几何约束实现对动态点的检测：计算匹配点距离极线的距离，然后进行判断；
- 对于双目/RGB-D 相机，可利用三角化或深度图获取特征点的深度信息，将前一帧上的特征点重投影到当前帧，计算重投影偏差。
之后，利用检测到的动态特征点判断所属物体是否属于动态物体。
3.2.3 Ego-Motion Estimation
在暂时剔除掉先验动态特征点之后，本系统采用一个轻量级的跟踪算法进行位姿估计，该算法与ORB-SLAM2 不同，不进行局部BA 和新关键帧筛选，只与历史帧的特征点进行匹配，并将关联的地图点投影到当前帧，利用最小化重投影误差来获取粗略的初始位姿。
3.2.4 Dynamic Feature Points Extraction
针对RGB-D/双目相机，作者首先利用LK 光流算法获取两帧之间的匹配特征点，然后利用初始位姿估计将前一帧的特征点投影至当前帧，由于初始位姿估计的精度问题，必然会存在一定的重投影偏差向量，如Fig. 5、Fig. 6所示。
可以看到，即便初始位姿估计精度较差，但仍然可以从重投影偏差向量识别出静态点与动态点。基于此，作者使用静态区域（去除掉先验动态物体区域）的特征点，经加权平均求得阈值：
其中，$\epsilon$ 表示偏差向量的模值；$\theta$ 表示角度。
根据计算出的阈值，判断先验动态物体区域内的特征点是否属于动态点：
对于单目相机，简单地使用对极约束来提取动态点：
其中，$q_i, p_i$ 分别是当前帧和历史帧的匹配特征点；F 是基础矩阵。对当前帧的每一点计算其与极线之间的距离：
利用该距离判断是否属于动态点。
在得到动态点之后，根据物体掩码内的动态点数量判断该物体是否是动态的。
作者比较了本方法与DS-SLAM、DynaSLAM 的优势：
- DS-SLAM 只将人类作为典型的动态物体代表，而本方法将20种物体作为潜在动态物体；且DS-SLAM 不能处理立体相机数据；
- DynaSLAM 直接将潜在动态物体判定为动态的，与现实不符；且该方法只适用于RGB-D 数据采用多视角几何进行动态点检测。