哈尔滨工业大学提出了Dynam-SLAM，一个能够在高度动态的环境中鲁棒、准确和连续工作的

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文# Dynam-SLAM: An Accurate, Robust Stereo Visual-Inertial SLAM Method in Dynamic Environments

论文地址：TRO

作者单位：哈尔滨工业大学

大多数现有的基于视觉的同步定位和建图（SLAM）系统及其变体仍然假定观测是绝对静态的，不能在动态环境中很好地工作。在这里，我们提出了Dynam-SLAM（Dynam），这是一个双目视觉-惯性SLAM系统，能够在高动态环境中稳健、准确和持续工作。我们的方法致力于将双目场景流与惯性测量单元（IMU）松散地结合起来进行动态特征检测，并将动态和静态特征与IMU测量紧密结合起来进行非线性优化。

首先，对测量噪声引起的场景流不确定性进行建模，以得出地标的精确运动似然。同时，为了应对高动态环境，我们在检测到的动态特征的基础上额外构建虚拟地标。然后，我们建立了一个紧密耦合的、基于非线性优化的SLAM系统，通过融合IMU测量和特征观测来估计相机状态。最后，我们在各种基准数据集中评估了拟议的动态特征检测模块（DFM）和整个SLAM系统。

实验结果表明，Dynam几乎不受DFM的影响，在静态EuRoC数据集中表现良好。在自我收集的动态数据集中，Dynam在准确性和鲁棒性方面优于目前最先进的视觉和视觉-惯性SLAM实现。Dynam在动态基准数据集中的平均绝对轨迹误差比VINS-Fusion低90%，比ORB-SLAM3低84%，比Kimera低88%。

本文贡献如下：

1）我们提出了一种新的SLAM方法，该方法将立体场景流与IMU松散地耦合起来进行动态特征检测，并将动态和静态视觉特征与IMU测量紧密地耦合起来，构建非线性优化。

2）对测量噪声引起的场景流的不确定性进行建模。基于不确定性模型，使用马哈拉诺比斯距离来准确确定地标的运动可能性。

3) 基于检测到的动态特征，我们构建虚拟地标。静态地标、虚拟地标和IMU测量在一个滑动窗口中紧密耦合，以估计动态环境中摄像机的高精度状态。

4）我们提供了一个完整的VISLAM系统，该系统已经在不同的基准数据集下得到了验证。实验结果表明，Dynam在高动态环境中的精度和鲁棒性方面优于目前最先进的VSLAM和VISLAM实现。

以上内容来自小六的机器人SLAM学习圈 每日更新内容