Qin, Tong, Yuxin Zheng, Tongqing Chen, Yilun Chen, and Qing Su. “A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving.” In 2021 IEEE International Conference on Robotics and Automation (ICRA), 11248–54. Xi’an, China: IEEE, 2021. https://doi.org/10.1109/ICRA48506.2021.9561663.

1 Introduction

本文的贡献：

1. 提出一个新颖的面向无人驾驶的轻量级定位架构，该架构包括车载制图、云端地图维护，以及用户终端定位；
2. 提出一个新颖的想法：让具有丰富传感器的车辆来辅助低成本量产汽车，具体途径为让具有丰富传感器的汽车每天收集数据并自动更新地图；
3. 利用真实场景实验验证了该系统的可行性。

Tseng, Wei-Kang, Angela P. Schoellig, and Timothy D. Barfoot. “Self-Calibration of the Offset Between GPS and Semantic Map Frames for Robust Localization.” In 2021 18th Conference on Robots and Vision (CRV), 173–80. Burnaby, BC, Canada: IEEE, 2021. https://doi.org/10.1109/CRV52889.2021.00031.

1 Introduction

当利用语义信息（如车道线、交通灯等）进行定位时，会出现部分路段无语义信息观测的情况，导致定位失败；此时，可将GPS 与其结合起来进行定位，但是在制图与定位之间会有时间流逝，导致实时GPS 坐标系会与语义地图坐标系之间形成偏差，这就需要对准标定操作。对准操作的常规做法是为实验增加一个手动设定的矫正先验值，但经常会出现错误对准的情况，不太可靠。

Zhong, Meiling, Chuyuan Hong, Zhaoqian Jia, Chunyu Wang, and Zhiguo Wang. “DynaTM-SLAM: Fast Filtering of Dynamic Feature Points and Object-Based Localization in Dynamic Indoor Environments.” Robotics and Autonomous Systems 174 (April 2024): 104634. https://doi.org/10.1016/j.robot.2024.104634.

1 Introduction

针对dynamic SLAM，作者提到DS-SLAM 和 DynaSLAM 是两个代表性作品：

• DS-SLAM 通过语义分割和运动一致性检验来减少动态物体的影响，但是其效果因高度依赖阈值设定而受限，因为该方法是根据物体内动态特征点所占比例来判断该物体是否是动态的。
• DynaSLAM 使用语义分割和多视图几何理论来检测动态物体，该方法利用一个区域成长算法 region growing algorithm ，从孤立的外点来判断整个区域是否是动态的，即便该区域只有一个特征点被判别为外点，那么整个区域就被判定为是动态的；这就导致该算法对外点检测的表现要求极高。

且上述两个算法均是使用语义分割网络来获取语义信息，其复杂度较高、运算速度较慢，而且均使用了先验动态物体假设，具有局限性。

Krishna, Ghanta Sai, Kundrapu Supriya, and Sabur Baidya. “3DS-SLAM: A 3D Object Detection Based Semantic SLAM towards Dynamic Indoor Environments.” arXiv, October 10, 2023. https://doi.org/10.48550/arXiv.2310.06385.

1 Introduction

本文的贡献：

• 将一个轻量级3D HTx 物体检测架构集成到vSLAM 中，使得系统可以获取动态环境中的语义-空间信息；
• 提出一个新颖的端到端架构，集成了HTx 和 HDBSCAN 来有效解决语义和几何约束，实现对整体的优化；
• 实验证明了3DS-SLAM 超越了现有的算法，增强了系统在动态环境中的位姿准确性与稳定性。

Zhang, Qi, and Changdi Li. “Semantic SLAM for Mobile Robots in Dynamic Environments Based on Visual Camera Sensors.” Measurement Science and Technology 34, no. 8 (May 2023): 085202. https://doi.org/10.1088/1361-6501/acd1a4.

1 Introduction

本文的贡献：

• 提出一个可应用于室内外场景的实时动态语义vSLAM 算法，可应用于各种相机传感器，并不依赖深度信息；
• 受益于更多的检测类别，提出一个动态点剔除算法；
• 提出了一种几乎不受噪声点影响的移动bbox判断算法，该算法以所有物体均可能是动态的为假设，使用不同的方法来检测处于不同姿势的人或物体的运动状态。

Wen, Shuhuan, Xiongfei Li, Xin Liu, Jiaqi Li, Sheng Tao, Yidan Long, and Tony Qiu. “Dynamic SLAM: A Visual SLAM in Outdoor Dynamic Scenes.” IEEE Transactions on Instrumentation and Measurement 72 (2023): 1–11. https://doi.org/10.1109/TIM.2023.3317378.

1 Introduction

本文的贡献：

1. 提出一个新颖的视觉SLAM 系统，结合语义分割和多视角几何来有效识别同一种类不同物体的运动状态，从而减少动态特征点对系统的影响；
2. 使用SegNet 网络获取语义信息，基于匀速运动模型判断特征点的当前运动状态、估计相机位姿、恢复特征点的空间位置；当计算特征点速度时，为了减少系统噪声的干扰，作者设计了均值滤波窗口 mean filter window 来滤除噪声；
3. 基于长期观测地图点提出了一种新的动态空间点筛选方法 screening method，来应对动态点错误识别或不完整识别的问题。

Yang, Linjie, and Luping Wang. “A Semantic SLAM-Based Dense Mapping Approach for Large-Scale Dynamic Outdoor Environment.” Measurement 204 (November 30, 2022): 112001. https://doi.org/10.1016/j.measurement.2022.112001.

1 Introduction

本文提出的方法是针对室外动态环境中的语义SLAM，对于动态特征点的筛选，不是简单地利用语义信息对先验动态物体直接剔除，而是采用一个精确、鲁棒的特征点滤波机制，实现对特征点动态性的精确识别。

本文的贡献如下：

• 提出了一个应用于大范围室外动态环境的语义SLAM 系统，该系统是基于ORB-SLAM2 和 深度学习模型的；
• 设计了一个特征点滤除机制，该机制结合了语义特征、depth local contrast 以及多视角投影来进一步提高鲁棒性与准确性；
• 通过采用后验概率和增量更新，为高等级机器人导航创建了室外环境的稠密地图。

Hu, Xinggang, Yunzhou Zhang, Zhenzhong Cao, Rong Ma, Yanmin Wu, Zhiqiang Deng, and Wenkai Sun. “CFP-SLAM: A Real-Time Visual SLAM Based on Coarse-to-Fine Probability in Dynamic Environments.” In 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 4399–4406. Kyoto, Japan: IEEE, 2022. https://doi.org/10.1109/IROS47612.2022.9981826.

1 Introduction

作者认为当前面向动态场景的语义SLAM 方法虽然可以有效消除动态物体对位姿解算的影响，但很难实现精度与时间的平衡，难以实现实时处理，而且这些算法在低动态场景中的效果普遍不好。针对这些问题，作者提出了CFP-SLAM。

本文的贡献如下：

• 当使用DBSCAN 聚类算法来区分bbox 内的前景点和背景点，基于EKF 和 Hungarian 算法来补偿物体漏检测；
• 基于YOLOv5 和几何约束将物体的运动属性分为高动态和低动态，为后续的处理提供先验信息，以此来提高SLAM 系统的鲁棒性与适应能力；
• 提出一种基于物体静态概率的关键点静态概率两阶段计算方法，使用DBSCAN 聚类算法、对极几何约束以及投影约束来解决由非刚性物体局部运动造成的静态点误检测问题。

Wu, Wenxin, Liang Guo, Hongli Gao, Zhichao You, Yuekai Liu, and Zhiqiang Chen. “YOLO-SLAM: A Semantic SLAM System towards Dynamic Environment with Geometric Constraint.” Neural Computing and Applications 34, no. 8 (April 2022): 6011–26. https://doi.org/10.1007/s00521-021-06764-3.

1 Introduction

本文提出了一种在动态环境中可有效消除移动物体影响的鲁棒SLAM 系统——YOLO-SLAM，该系统紧耦合深度学习在场景理解的优势和特征点的内在几何深度信息来检测动态特征点，本文的主要贡献：

1. 设计了一个轻量级Darknet19-YOLOv3 物体检测网络，用于获取视觉语义信息；
2. 提出了一种新的几何约束方法来识别动态特征点；
3. 基于ORB-SLAM2 构建了YOLO-SLAM 系统，在动态环境中的准确性和鲁棒性都得到了提高。

Chen, Weifeng, Guangtao Shang, Kai Hu, Chengjun Zhou, Xiyang Wang, Guisheng Fang, and Aihong Ji. “A Monocular-Visual SLAM System with Semantic and Optical-Flow Fusion for Indoor Dynamic Environments.” Micromachines 13, no. 11 (November 17, 2022): 2006. https://doi.org/10.3390/mi13112006.

1 Introduction

本文做出的贡献：

1. 提出一个基于ORB-SLAM2 的新颖的单目视觉SLAM 系统，可在动态场景中实现更精确的定位与建图；
2. 对Mask R-CNN 网络进行修改，使其可以在室内动态环境中更准确地分割出先验高动态物体；
3. 结合光流法和几何方法来识别出高动态物体。