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。

Pauls, Jan-Hendrik, Kursat Petek, Fabian Poggenhans, and Christoph Stiller. “Monocular Localization in HD Maps by Combining Semantic Segmentation and Distance Transform.” In 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 4595–4601. Las Vegas, NV, USA: IEEE, 2020. https://doi.org/10.1109/IROS45743.2020.9341003.

1 Introduction

本文的贡献：

1. 提出使用语义分割网络来克服之前常用的物体探测网络生成bboxing 的空间限制，这使得我们可以检测到稀疏、可共享、独立于传感器的HD 地图中的所有地图元素；
2. 使用distance transform 来解决稠密语义信息的数据关联问题，且该关联过程本质上是动态的；
3. 将语义信息和标准的汽车里程计组成为一个鲁棒的位姿图优化，克服了语义定位只使用图片的缺点。

Xiao, Zhongyang, Diange Yang, Tuopu Wen, Kun Jiang, and Ruidong Yan. “Monocular Localization with Vector HD Map (MLVHM): A Low-Cost Method for Commercial IVs.” Sensors 20, no. 7 (March 27, 2020): 1870. https://doi.org/10.3390/s20071870.

1 Introduction

本文的贡献：

1. 提出一个基于语义向量提取和鲁棒地图匹配算法的低成本高精度定位算法；
2. 提出一个基于滑动窗口的帧间运动融合（单目相机视觉里程计作为帧间约束）来有效提高定位的稳定性，特别是在稀疏定位特征的场景中也可以实现实时的稳定定位；
3. 在真实世界中进行实验证明了精度与可靠性。

Hu, Zhangfang, Jiang Zhao, Yuan Luo, and Junxiong Ou. “Semantic SLAM Based on Improved DeepLabv3+ in Dynamic Scenarios.” IEEE Access 10 (2022): 21160–68. https://doi.org/10.1109/ACCESS.2022.3154086.

Abstract

本文提出动态场景中的语义SLAM 系统DeepLabv3+_SLAM 包含三个线程：ORB-SLAM3，语义分割线程以及几何线程。

Wang, Yuwei, Yuanying Qiu, Peitao Cheng, and Xuechao Duan. “Robust Loop Closure Detection Integrating Visual–Spatial–Semantic Information via Topological Graphs and CNN Features.” Remote Sensing 12, no. 23 (November 27, 2020): 3890. https://doi.org/10.3390/rs12233890.

1 Introduction

本文的主要贡献：

• 提出一个包含视觉、空间以及语义信息的鲁棒回环检测方法，提高大视角变化及动态场景下的鲁棒性；
• 使用预训练的语义分割网络和AlexNet 特征提取网络，可不经再训练直接应用于其他场景。

Deng, Liuyuan, Ming Yang, Bing Hu, Tianyi Li, Hao Li, and Chunxiang Wang. “Semantic Segmentation-Based Lane-Level Localization Using Around View Monitoring System.” IEEE Sensors Journal 19, no. 21 (November 1, 2019): 10077–86. https://doi.org/10.1109/JSEN.2019.2929135.

1 Introduction

一般来讲，对于使用视觉相机进行定位的方法是：通过从图片中提取特征，并与一个先验地图进行匹配从而得到汽车位置；许多方法是使用前置单目相机或立体相机来采集数据，但是在交通繁忙的场景中，其field of view (FOV) 容易被其他车辆干扰导致效果不佳。本文提出的方法采用Around View Monitoring (AVM) 系统来减小环境干扰的影响。

AVM 系统中鱼眼相机采集到的图片通常会进行去畸变、合成一张顶视图片（鸟瞰视角图片，如下图所示），若要通过检测车道线等标志进行车辆定位，经过处理后的图片覆盖范围有限，仅能获取当前车道线内的路标，难以区分道路上不同车道线之间的区别；故本文使用鱼眼相机采集到的原始图片进行车道线级别的定位。

Zhao, Zirui, Yijun Mao, Yan Ding, Pengju Ren, and Nanning Zheng. “Visual-Based Semantic SLAM with Landmarks for Large-Scale Outdoor Environment.” In 2019 2nd China Symposium on Cognitive Computing and Hybrid Intelligence (CCHI), 149–54, 2019. https://doi.org/10.1109/CCHI.2019.8901910.

1 Introduction

本文的贡献：

• 通过将视觉SLAM 地图和语义分割信息进行融合，来构建大型户外环境的语义3D 地图；
• 扩充KITTI 数据集以包含GPS 信息，以及从Google Map 上获取的相关地标标签；
• 提出一个基于语义地图将真实世界的地标和点云地图联系起来，以构建一个拓扑地图的方法。