Brasch, Nikolas, Aljaz Bozic, Joe Lallemand, and Federico Tombari. “Semantic Monocular SLAM for Highly Dynamic Environments.” In 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 393–400. Madrid: IEEE, 2018. https://doi.org/10.1109/IROS.2018.8593828.

1 Introduction

作者通过结合基于特征法与直接法，来实现动态环境中的鲁棒性。

本文的贡献：

• 利用语义分割获取场景的语义信息，可检测潜在动态物体，并在后续跟踪中避免使用潜在动态物体上的特征点；
• 提出一个概率模型，考虑观测到某个地图点的所有帧的语义信息来更新该地图点的语义类别；
• 除了使用语义信息，还是用临时动作信息temporal dynamic information 来判断地图点是否是静态的；
• 为了实现实时性能，作者设计了一个高效的在线概率更新方法；
• 作者在合成和实际场景中测试了本算法，证明了本算法在高动态场景中可以获取更稳定的结果。

Li, Jimmy, David Meger, and Gregory Dudek. “Semantic Mapping for View-Invariant Relocalization.” In 2019 International Conference on Robotics and Automation (ICRA), 7108–15. Montreal, QC, Canada: IEEE, 2019. https://doi.org/10.1109/ICRA.2019.8793624.

1 Introduction

本文使用了基于外观的几何特征与物体级语义特征的混合策略，主要贡献就是将传统视觉SLAM 和语义地标进行协同集成。

Yang, Shichao, and Sebastian Scherer. “CubeSLAM: Monocular 3-D Object SLAM.” IEEE Transactions on Robotics 35, no. 4 (August 2019): 925–38. https://doi.org/10.1109/TRO.2019.2909168.

1 Introduction

本文作者提出了一个可以同时应用于静态与动态场景中，将2D、3D 物体检测与SLAM 位姿估计相结合的系统，如Fig. 1所示。前提假设：物体立方体经投影后会与2D bbox 相吻合；在此假设下，当给定检测到的2D 物体时，作者利用vanishing point (VP) 产生3D 立方体 proposals，然后通过多视角BA ，利用点和相机对立方体进行进一步的优化。

Schreiber, Markus, Carsten Knoppel, and Uwe Franke. “LaneLoc: Lane Marking Based Localization Using Highly Accurate Maps.” In 2013 IEEE Intelligent Vehicles Symposium (IV), 449–54. Gold Coast City, Australia: IEEE, 2013. https://doi.org/10.1109/IVS.2013.6629509.

Abstract

作者利用双目立体相机系统和包含路沿与道路标志的先验高精度地图实现车辆定位。定位过程中，GNSS 位置只是用来进行初始化，后续的定位解算不需要GNSS。作者在长约50 km的郊区道路进行测试，最终的定位精度在分米级。

Qin, Tong, Peiliang Li, and Shaojie Shen. “VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator.” IEEE Transactions on Robotics 34, no. 4 (August 2018): 1004–20. https://doi.org/10.1109/TRO.2018.2853729.

1 Introduction

集成IMU 观测可通过减少由于光照变化、纹理稀少区域或运动模糊造成的视觉跟踪精度损失，来大幅提高运动跟踪的表现。但是，单目VINS (Visual-Inertial System) 在使用中也有一些问题需要解决：

1. 第一个问题是初始化困难：由于缺失直接的距离观测，很难直接将单目视觉结构与惯性测量进行融合；
2. 其次是VINS 严重的非线性问题：这会在估计器初始化过程中带来巨大的挑战，再大部分场景中系统需要放置在一个位置已知的静态区域，然后缓慢小心地移动，这会极大限制系统的应用场景；
3. 另一个问题是VIO 的长期漂移问题：为了消除累积漂移，会使用回环检测、重定位及全局优化技术；
4. 此外还有对于地图保存与重使用的需求正在不断增长。

Bescos, Berta, Jose M. Facil, Javier Civera, and Jose Neira. “DynaSLAM: Tracking, Mapping, and Inpainting in Dynamic Scenes.” IEEE Robotics and Automation Letters 3, no. 4 (October 2018): 4076–83. https://doi.org/10.1109/LRA.2018.2860039.

1 Introduction

本文提出的DynaSLAM 是在ORB-SLAM2 基础上增加一个前端模块，来处理环境中的动态物体。对于单目和双目相机，使用CNN 产生物体的像素级语义分割结果，剔除掉先验动态物体中的特征点；对于RGB-D 相机，结合多视图几何模型和CNN 来检测动态物体，从图片中移除动态物体并进行场景恢复。

Zhong, Fangwei, Sheng Wang, Ziqi Zhang, China Chen, and Yizhou Wang. “Detect-SLAM: Making Object Detection and SLAM Mutually Beneficial.” In 2018 IEEE Winter Conference on Applications of Computer Vision (WACV), 1001–10, 2018. https://doi.org/10.1109/WACV.2018.00115.

Abstract

本文提出的Detect-SLAM 较其他SOTA 方法的优势：

1. 通过利用物体检测器完成对移动物体上的不可靠特征点进行剔除，极大地提高了SLAM 算法在动态环境中的准确性与鲁棒性；
2. 在线构建一个实例级语义地图；
3. 通过利用物体语义地图来提高物体检测器性能，使得其在挑战性环境中可以更有效地识别出物体。

Zhang, Liang, Leqi Wei, Peiyi Shen, Wei Wei, Guangming Zhu, and Juan Song. “Semantic SLAM Based on Object Detection and Improved Octomap.” IEEE Access 6 (2018): 75545–59. https://doi.org/10.1109/ACCESS.2018.2873617.

1 Introduction

基于ORB-SLAM2，利用YOLO 实现物体检测，剔除掉先验动态物体上的特征点，提高精度；并建立物体级语义八叉树地图，且优化了制图的速度。

本文的贡献：

• 本系统可以检测80-200 种物体种类，而现有的语义制图系统只能检测不超过20个种类；
• 本系统不需要先验3D 模型就可以实现对环境中物体的3D 建模；
• 本系统利用的是物体级模型信息，而不是像素级的。

Gawel, Abel, Carlo Del Don, Roland Siegwart, Juan Nieto, and Cesar Cadena. “X-View: Graph-Based Semantic Multi-View Localization.” IEEE Robotics and Automation Letters (RA-L) 3, no. 3 (2018): 1687–94.

1 Introduction

本文做出的贡献：

1. 提出一个新颖的语义拓扑图表示方法；
2. 引进了一个基于随机游走的图描述子，可以有效地使用既定的匹配方法进行高效匹配；
3. 用于全局定位的语义分割完整pipeline；
4. 开源X-View 算法；
5. 公开数据集的测试结果。

Lianos, Konstantinos-Nektarios, Johannes L. Schönberger, Marc Pollefeys, and Torsten Sattler. “VSO: Visual Semantic Odometry.” In Computer Vision – ECCV 2018, edited by Vittorio Ferrari, Martial Hebert, Cristian Sminchisescu, and Yair Weiss, 11208:246–63. Lecture Notes in Computer Science. Cham: Springer International Publishing, 2018. https://doi.org/10.1007/978-3-030-01225-0_15.

1 Introduction

作者认为，VO 的核心问题在于数据关联DA。

通常来讲，有两种方法来减少VO 中的漂移：

1. 方法一：利用连续图片之间的短期关联来进行偏移矫正；
2. 方法二：利用回环检测实现长期关联。

传统的几何特征（点、线、面）在光照、视角变化下鲁棒性较差，不能在长距离上保持持续跟踪，而语义特征作为更高级的特征，语义特征在光照、视角、尺寸发生较大变化时仍然可以保持不变，使得中期关联成为可能，如Fig. 1所示。