哈工大开源RGB-D-惯性里程计，用于动态环境和资源受限机器人！

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##开源代码#  RGB-D Inertial Odometry for a Resource-restricted Robot in Dynamic Environments

论文地址：IROS2022论文集

作者单位：哈尔滨工业大学

开源代码：https://github.com/HITSZ-NRSL/Dynamic-VINS

    当前的同时定位和映射（SLAM）算法在静态环境中表现良好，但在动态环境中很容易失败。最近的工作将基于深度学习的语义信息引入SLAM系统，以减少动态对象的影响。然而，在资源受限的机器人的动态环境中应用鲁棒定位仍然具有挑战性。本文提出了一种用于动态环境中资源受限机器人的实时RGB-D惯性里程计——Dynamic-VINS。三个主要线程并行运行：对象检测、特征跟踪和状态优化。

     所提出的动态VINS将对象检测和深度信息结合用于动态特征识别，并实现了与语义分割相当的性能。动态VINS采用基于网格的特征检测，并提出了一种快速高效的方法来提取高质量的fast特征点。IMU用于预测运动，以进行特征跟踪和运动一致性检查。所提出的方法在公共数据集和现实世界应用上进行了评估，并在动态环境中显示出具有竞争力的定位精度和鲁棒性。然而，据我们所知，这是目前在动态环境中用于资源受限平台的最佳性能实时RGB-D惯性里程计。

本文贡献如下：

1、提出了一种基于RGB-D惯性里程计的高效优化方法，以在动态和复杂环境中为资源受限的机器人提供实时状态估计结果。

2、 提出了轻量级的特征检测和跟踪来减轻计算负担。此外，提出了结合对象检测和深度信息的动态特征识别模块，以在复杂和室外环境中提供鲁棒的动态特征辨识。

3、 进行了验证实验，以显示所提出的系统在动态环境中的资源受限平台上的竞争准确性、鲁棒性和效率。

以上内容来自小六的机器人SLAM学习圈 每日更新内容