动态环境下视觉定位与建图的运动分割研究进展

doi:10.11772/j.issn.1001-9081.2022070972

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (8): 2537-2545.DOI: 10.11772/j.issn.1001-9081.2022070972

• 多媒体计算与计算机仿真 • 上一篇下一篇

动态环境下视觉定位与建图的运动分割研究进展

朱东莹¹, 钟勇², 杨观赐¹^,³^,⁴(), 李杨³

^1.贵州大学机械工程学院，贵阳 550025
^2.中国科学院成都计算机应用研究所，成都 610213
^3.现代制造技术教育部重点实验室（贵州大学），贵阳 550025
^4.省部共建公共大数据国家重点实验室（贵州大学），贵阳 550025

收稿日期:2022-07-06 修回日期:2022-09-19 接受日期:2022-09-19 发布日期:2023-01-15 出版日期:2023-08-10
通讯作者: 杨观赐
作者简介:朱东莹（1996—），男，浙江杭州人，硕士研究生，CCF会员，主要研究方向：自主智能系统
钟勇（1966—），男，四川岳池人，研究员，博士，主要研究方向：大数据及其智能处理、云计算、软件工程
李杨（1993—），男，河南安阳人，博士研究生，主要研究方向：自主智能系统。
基金资助:
国家自然科学基金资助项目(62163007);贵州省科技计划项目（黔科合平台人才［2020］6007,黔科合支撑［2021］一般439）

Research progress on motion segmentation of visual localization and mapping in dynamic environment

Dongying ZHU¹, Yong ZHONG², Guanci YANG¹^,³^,⁴(), Yang LI³

^1.School of Mechanical Engineering，Guizhou University，Guiyang Guizhou 550025，China
^2.Chengdu Institute of Computer Application，Chinese Academy of Sciences，Chengdu Sichuan 610213，China
^3.Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education （Guizhou University），Guiyang Guizhou 550025，China
^4.State Key Laboratory of Public Big Data （Guizhou University），Guiyang Guizhou 550025，China

Received:2022-07-06 Revised:2022-09-19 Accepted:2022-09-19 Online:2023-01-15 Published:2023-08-10
Contact: Guanci YANG
About author:ZHU Dongying， born in 1996， M. S. candidate. His research interests include intelligent autonomous system.
ZHONG Yong， born in 1966， Ph. D.， research fellow. His research interests include big data and intelligent processing， cloud computing， software engineering.
LI Yang， born in 1993， Ph. D. candidate. His research interests include intelligent autonomous system.
Supported by:
National Natural Science Foundation of China(62163007);Science and Technology Program of Guizhou Province(Qiankehepingtairencai［2020］6007)

摘要/Abstract

摘要：

动态环境中视觉定位与建图系统受环境中动态物体的影响，定位与建图误差增加同时鲁棒性下降。而对输入图像的运动分割可显著提高动态环境下视觉定位与建图系统的性能。动态环境中的动态物体可分为运动物体与潜在运动物体。当前动态物体识别方法存在运动主体混乱、实时性差的问题。因此，综述了视觉定位与建图系统在动态环境下的运动分割策略。首先，从场景的预设条件出发，将运动分割策略分为基于图像主体静止假设方法、基于先验语义知识的方法和不引入假设的多传感融合方法；然后，对这三类方法进行总结，并分析各方法的准确性和实时性；最后，针对视觉定位与建图系统在动态环境下运动分割策略的准确性、实时性难以平衡的问题，讨论并展望了动态环境下运动分割方法的发展趋势。

关键词: 视觉定位与建图, 动态环境, 运动分割, 实时性, 移动机器人

Abstract:

Visual localization and mapping system is affected by dynamic objects in a dynamic environment， so that it has increase of localization and mapping errors and decrease of robustness. And motion segmentation of input images can significantly improve the performance of visual localization and mapping system in dynamic environment. Dynamic objects in dynamic environment can be divided into moving objects and potential moving objects. Current dynamic object recognition methods have problems of chaotic moving subjects and poor real-time performance. Therefore， motion segmentation strategies of visual localization and mapping system in dynamic environment were reviewed. Firstly， the strategies were divided into three types of methods according to preset conditions of the scene： methods based on static assumption of image subject， methods based on prior semantic knowledge and multi-sensor fusion methods without assumption. Then， these three types of methods were summarized， and their accuracy and real-time performance were analyzed. Finally， aiming at the difficulty of balancing accuracy and real-time performance of motion segmentation strategy of visual localization and mapping system in dynamic environment， development trends of the motion segmentation methods in dynamic environment were discussed and prospected.

Key words: visual localization and mapping, dynamic environment, motion segmentation, real-time performance, mobile robot

中图分类号:

TP249

朱东莹, 钟勇, 杨观赐, 李杨. 动态环境下视觉定位与建图的运动分割研究进展[J]. 计算机应用, 2023, 43(8): 2537-2545.

Dongying ZHU, Yong ZHONG, Guanci YANG, Yang LI. Research progress on motion segmentation of visual localization and mapping in dynamic environment[J]. Journal of Computer Applications, 2023, 43(8): 2537-2545.

图/表 13

参考文献 70

1	孙长银，吴国政，王志衡，等. 自动化学科面临的挑战［J］. 自动化学报， 2021， 47（2）： 464-474. 10.16383/j.aas.c200904
	SUN C Y， WU G Z， WANG Z H， et.al. On challenges in automation science and technology［J］. Acta Automatica Sinica， 2021， 47（2）： 464-474. 10.16383/j.aas.c200904
2	陈虹宇，艾红，王晓，等. 社会交通中的社会信号分析与感知［J］. 自动化学报， 2021， 47（6）： 1256-1272. 10.16383/j.aas.c200055
	CHEN H Y， AI H， WANG X， et al. Analysis and perception of social signals in social transportation［J］. Acta Automatica Sinica， 2021，47（6）：1256-1272. 10.16383/j.aas.c200055
3	FUENTES-PACHECO J， RUIZ-ASCENCIO J， RENDÓN-MANCHA J M. Visual simultaneous localization and mapping： a survey［J］. Artificial Intelligence Review， 2015， 43（1）： 55-81. 10.1007/s10462-012-9365-8
4	杨观赐，王霄远，蒋亚汶，等. 视觉与惯性传感器融合的SLAM技术综述［J］. 贵州大学学报（自然科学版）， 2020， 37（6）： 1-12. 10.15958/j.cnki.gdxbzrb.2020.06.01
	YANG G C， WANG X Y， JIANG Y W， et al. Review of SLAM technologies based on visual and inertial sensor fusion［J］. Journal of Guizhou University （Natural Sciences）， 2020， 37（6）： 1-12. 10.15958/j.cnki.gdxbzrb.2020.06.01
5	YANG G C， CHEN Z J， LI Y， et al. Rapid relocation method for mobile robot based on improved ORB-SLAM2 algorithm［J］. Remote Sensing， 2019， 11（2）： No.149. 10.3390/rs11020149
6	李云天，穆荣军，单永志. 无人系统视觉SLAM技术发展现状简析［J］. 控制与决策， 2021， 36（3）： 513-522. 10.13195/j.kzyjc.2019.1149
	LI Y T， MU R J， SHAN Y Z， et al. A survey of visual SLAM in unmanned systems［J］. Control and Decision， 2021， 36（3）： 513-522. 10.13195/j.kzyjc.2019.1149
7	ELVIRA R， TARDÓS J D， MONTIEL J M M. ORBSLAM-Atlas： a robust and accurate multi-map system［C］// Proceedings of the 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2019： 6253-6259. 10.1109/iros40897.2019.8967572
8	曹风魁，庄严，闫飞，等. 移动机器人长期自主环境适应研究进展和展望［J］. 自动化学报， 2020， 46（2）： 205-221.
	CAO F K， ZHUANG Y， YAN F， et al. Long-term autonomous environment adaptation of mobile robots： state-of-the-art methods and prospects［J］. Acta Automatica Sinica， 2020， 46（2）： 205-221.
9	徐晓苏，安仲帅. 基于深度学习的室内动态场景下的VSLAM方法［J］. 中国惯性技术学报， 2020， 28（4）： 480-486. 10.13695/j.cnki.12-1222/o3.2020.04.010
	XU X S， AN Z S. Vision SLAM method in indoor dynamic scene based on deep learning［J］. Journal of Chinese Inertial Technology， 2020， 28（4）： 480-486. 10.13695/j.cnki.12-1222/o3.2020.04.010
10	刘强，段富海，桑勇，等. 复杂环境下视觉SLAM闭环检测方法综述［J］. 机器人， 2019， 41（1）： 112-123. 10.13973/j.cnki.robot.180004
	LIU Q， DUAN F H， SANG Y， et al. A survey of loop-closure detection method of visual SLAM in complex environments［J］. Robot， 2019， 41（1）： 112-123. 10.13973/j.cnki.robot.180004
11	王忠立，李文仪. 基于点云分割的运动目标跟踪与SLAM方法［J］. 机器人， 2021， 43（2）： 177-192.
	WANG Z L， LI W Y. Moving objects tracking and SLAM method based on point cloud segmentation［J］. Robot， 2021， 43（2）： 177-192.
12	王柯赛，姚锡凡，黄宇，等. 动态环境下的视觉SLAM研究评述［J］. 机器人， 2021， 43（6）： 715-732. 10.13973/j.cnki.robot.200468
	WANG K S， YAO X F， HUANG Y， et al. Review of visual SLAM in dynamic environment［J］. Robot， 2021， 43（6）： 715-732. 10.13973/j.cnki.robot.200468
13	兰凤崇，李继文，陈吉清. 面向动态场景复合深度学习与并行计算的DG-SLAM算法［J］. 吉林大学学报（工学版）， 2021， 51（4）： 1437-1446.
	LAN F C， LI J W， CHEN J Q. DG-SLAM algorithm for dynamic scene compound deep learning and parallel computing［J］. Journal of Jilin University （Engineering and Technology Edition）， 2021， 51（4）： 1437-1446.
14	STURM J， ENGELHARD N， ENDRES F， et al. A benchmark for the evaluation of RGB-D SLAM systems［C］// Proceedings of the 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2012： 573-580. 10.1109/iros.2012.6385773
15	PALAZZOLO E， BEHLEY J， LOTTES P， et al. ReFusion： 3D reconstruction in dynamic environments for RGB-D cameras exploiting residuals［C］// Proceedings of the 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2019： 7855-7862. 10.1109/iros40897.2019.8967590
16	SHI X S， LI D J， ZHAO P P， et al. Are we ready for service robots？ the OpenLORIS-Scene datasets for lifelong SLAM［C］// Proceedings of the 2020 IEEE International Conference on Robotics and Automation. Piscataway： IEEE， 2020： 3139-3145. 10.1109/icra40945.2020.9196638
17	CORTÉS S， SOLIN A， RAHTU E， et al. ADVIO： an authentic dataset for visual-inertial odometry［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11214. Cham： Springer， 2018： 425-440.
18	GEIGER A， LENZ P， URTASUN R. Are we ready for autonomous driving？ the KITTI vision benchmark suite［C］// Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2012： 3354-3361. 10.1109/cvpr.2012.6248074
19	MADDERN W， PASCOE G， LINEGAR C， et al. 1 year， 1000 km： the Oxford RobotCar dataset［J］. The International Journal of Robotics Research， 2017， 36（1）： 3-15. 10.1177/0278364916679498
20	李帅鑫，李广云，王力，等. LiDAR/IMU紧耦合的实时定位方法［J］. 自动化学报， 2021， 47（6）： 1377-1389. 10.16383/j.aas.c190424
	LI S X， LI G Y， WANG L， et al. LiDAR/IMU tightly coupled real-time localization method［J］. Acta Automatica Sinica， 2021， 47（6）： 1377-1389. 10.16383/j.aas.c190424
21	俞毓锋，赵卉菁. 基于相机与摇摆激光雷达融合的非结构化环境定位［J］. 自动化学报， 2019， 45（9）： 1791-1798.
	YU Y F， ZHAO H J. Off-road localization using monocular camera and nodding LiDAR［J］. Acta Automatica Sinica， 2019， 45（9）： 1791-1798.
22	王硕，祝海江，李和平，等. 基于共面圆的距离传感器与相机的相对位姿标定［J］. 自动化学报， 2020， 46（6）： 1154-1165.
	WANG S， ZHU H J， LI H P， et al. Relative pose calibration between a range sensor and a camera using two coplanar circles［J］. Acta Automatica Sinica， 2020， 46（6）： 1154-1165.
23	艾青林，刘刚江，徐巧宁. 动态环境下基于改进几何与运动约束的机器人RGB-D SLAM算法［J］. 机器人， 2021， 43（2）： 167-176.
	AI Q L， LIU G J， XU Q N. An RGB-D SLAM algorithm for robot based on the improved geometric and motion constraints in dynamic environment［J］. Robot， 2021， 43（2）： 167-176.
24	高成强，张云洲，王晓哲，等. 面向室内动态环境的半直接法RGB-D SLAM算法［J］. 机器人， 2019， 41（3）： 372-383.
	GAO C Q， ZHANG Y Z， WANG X Z， et al. Semi-direct RGB-D SLAM algorithm for dynamic indoor environments［J］. Robot， 2019， 41（3）： 372-383.
25	SUN Y X， LIU M， MENG M Q H. Improving RGB-D SLAM in dynamic environments： a motion removal approach［J］. Robotics and Autonomous Systems， 2017， 89： 110-122. 10.1016/j.robot.2016.11.012
26	张慧娟，方灶军，杨桂林. 动态环境下基于线特征的RGB-D视觉里程计［J］. 机器人， 2019， 41（1）： 75-82.
	ZHANG H J， FANG Z J， YANG G L. RGB-D visual odometry in dynamic environments using line features［J］. Robot， 2019， 41（1）： 75-82.
27	魏彤，李绪. 动态环境下基于动态区域剔除的双目视觉SLAM算法［J］. 机器人， 2020， 42（3）： 336-345.
	WEI T， LI X. Binocular vision SLAM algorithm based on dynamic region elimination in dynamic environment［J］. Robot， 2020， 42（3）： 336-345.
28	杨世强，范国豪，白乐乐，等. 基于几何约束的室内动态环境视觉SLAM［J］. 计算机工程与应用， 2021， 57（16）： 203-212.
	YANG S Q， FAN G H， BAI L L， et al. Geometric constraint-based visual SLAM under dynamic indoor environment［J］. Computer Engineering and Applications， 2021， 57（16）： 203-212.
29	WEI H Y， ZHANG T， ZHANG L. GMSK-SLAM： a new RGB-D SLAM method with dynamic areas detection towards dynamic environments［J］. Multimedia Tools and Applications， 2021， 80（21/22/23）： 31729-31751. 10.1007/s11042-021-11168-5
30	DAI W C， ZHANG Y， LI P， et al. RGB-D SLAM in dynamic environments using point correlations［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 44（1）： 373-389. 10.1109/tpami.2020.3010942
31	KIM D H， KIM J H. Effective background model-based RGB-D dense visual odometry in a dynamic environment［J］. IEEE Transactions on Robotics， 2016， 32（6）： 1565-1573. 10.1109/tro.2016.2609395
32	SUN Y X， LIU M， MENG M Q H. Motion removal for reliable RGB-D SLAM in dynamic environments［J］. Robotics and Autonomous Systems， 2018， 108： 115-128. 10.1016/j.robot.2018.07.002
33	张岩，孙世宇，胡永江，等. 基于特征距离与内点的随机抽样一致性算法［J］. 电子与信息学报， 2018， 40（4）： 928-935. 10.11999/JEIT170703
	ZHANG Y， SUN S Y， HU Y J， et al. Random sample consensus algorithm based on feature distance and inliers［J］. Journal of Electronics and Information Technology， 2018， 40（4）： 928-935. 10.11999/JEIT170703
34	ALCANTARILLA P F， YEBES J J， ALMAZÁN J， et al. On combining visual SLAM and dense scene flow to increase the robustness of localization and mapping in dynamic environments［C］// Proceedings of the 2012 IEEE International Conference on Robotics and Automation. Piscataway： IEEE， 2012： 1290-1297. 10.1109/icra.2012.6224690
35	BARBER C B， DOBKIN D P， HUHDANPAA H. The Quickhull algorithm for convex hulls［J］. ACM Transactions on Mathematical Software， 1996， 22（4）： 469-483. 10.1145/235815.235821
36	CUI L Y， MA C W. SDF-SLAM： semantic depth filter SLAM for dynamic environments［J］. IEEE Access， 2020， 8： 95301-95311. 10.1109/access.2020.2994348
37	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 779-788. 10.1109/cvpr.2016.91
38	BADRINARAYANAN V， KENDALL A， CIPOLLA R. SegNet： a deep convolutional encoder-decoder architecture for image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（12）： 2481-2495. 10.1109/tpami.2016.2644615
39	HE K M， GKIOXARI G， DOLLÁR P， et al. Mask R-CNN［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2980-2988. 10.1109/iccv.2017.322
40	YU C， LIU Z X， LIU X J， et al. DS-SLAM： a semantic visual SLAM towards dynamic environments［C］// Proceedings of the 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2018： 1168-1174. 10.1109/iros.2018.8593691
41	BESCOS B， FÁCIL J M， CIVERA J， et al. DynaSLAM： tracking， mapping， and inpainting in dynamic scenes［J］. IEEE Robotics and Automation Letters， 2018， 3（4）： 4076-4083. 10.1109/lra.2018.2860039
42	XIAO L H， WANG J G， QIU X S， et al. Dynamic-SLAM： semantic monocular visual localization and mapping based on deep learning in dynamic environment［J］. Robotics and Autonomous Systems， 2019， 117： 1-16. 10.1016/j.robot.2019.03.012
43	SUN L Y， KANEHIRO F， KUMAGAI I， et al. Multi-purpose SLAM framework for dynamic environment［C］// Proceedings of the 2020 IEEE/SICE International Symposium on System Integration. Piscataway： IEEE， 2020： 519-524. 10.1109/sii46433.2020.9026299
44	FAN Y C， ZHANG Q C， LIU S F， et al. Semantic SLAM with more accurate point cloud map in dynamic environments［J］. IEEE Access， 2020， 8： 112237-112252. 10.1109/access.2020.3003160
45	ZHAO X， ZUO T， HU X Y. OFM-SLAM： a visual semantic SLAM for dynamic indoor environments［J］. Mathematical Problems in Engineering， 2021， 2021： No.5538840. 10.1155/2021/5538840
46	FAN Y C， ZHANG Q C， TANG Y L， et al. Blitz-SLAM： a semantic SLAM in dynamic environments［J］. Pattern Recognition， 2022， 121： No.108225. 10.1016/j.patcog.2021.108225
47	MIAO S， LIU X X， WEI D Z， et al. A visual SLAM robust against dynamic objects based on hybrid semantic-geometry information［J］. ISPRS International Journal of Geo-Information， 2021， 10（10）： No.673. 10.3390/ijgi10100673
48	AI Y B， RUI T， LU M， et al. DDL-SLAM： a robust RGB-D SLAM in dynamic environments combined with deep learning［J］. IEEE Access， 2020， 8： 162335-162342. 10.1109/access.2020.2991441
49	RAN T， YUAN L， ZHANG J B， et al. RS-SLAM： a robust semantic SLAM in dynamic environments based on RGB-D sensor［J］. IEEE Sensors Journal， 2021， 21（18）： 20657-20664. 10.1109/jsen.2021.3099511
50	WU W X， GUO L， GAO H L， et al. YOLO-SLAM： a semantic SLAM system towards dynamic environment with geometric constraint［J］. Neural Computing and Applications， 2022， 34（8）： 6011-6026. 10.1007/s00521-021-06764-3
51	WU Z Y， DENG X Y， LI S M， et al. OC-SLAM： steadily tracking and mapping in dynamic environments［J］. Frontiers in Energy Research， 2021， 9： No.803631. 10.3389/fenrg.2021.803631
52	ZHONG F W， WANG S， ZHANG Z Q， et al. Detect-SLAM： making object detection and SLAM mutually beneficial［C］// Proceedings of the 2018 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2018： 1001-1010. 10.1109/wacv.2018.00115
53	ZHANG L， WEI L Q， SHEN P Y， et al. Semantic SLAM based on object detection and improved Octomap［J］. IEEE Access， 2018， 6： 75545-75559. 10.1109/access.2018.2873617
54	WEN S H， LI P J， ZHAO Y J， et al. Semantic visual SLAM in dynamic environment［J］. Autonomous Robots， 2021， 45（4）： 493-504.
55	XING Z W， ZHU X R， DONG D C. DE-SLAM： SLAM for highly dynamic environment［J］. Journal of Field Robotics， 2022， 39（5）： 528-542. 10.1002/rob.22062
56	SANDLER M， HOWARD A， ZHU M L， et al. MobileNetV2： inverted residuals and linear bottlenecks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 4510-4520. 10.1109/cvpr.2018.00474
57	YAN L， HU X， ZHAO L， et al. DGS-SLAM： a fast and robust RGBD SLAM in dynamic environments combined by geometric and semantic information［J］. Remote Sensing， 2022， 14（3）： 795-819. 10.3390/rs14030795
58	LIU Y B， MIURA J. RDS-SLAM： real-time dynamic SLAM using semantic segmentation methods［J］. IEEE Access， 2021， 9： 23772-23785. 10.1109/access.2021.3050617
59	CAMPOS C， ELVIRA R， GÓMEZ RODRÍGUEZ J J， et al. ORB-SLAM3： an accurate open-source library for visual， visual-inertial， and multimap SLAM［J］. IEEE Transactions on Robotics， 2021， 37（6）： 1874-1890. 10.1109/tro.2021.3075644
60	LIU Y B， MIURA J. RDMO-SLAM： real-time visual SLAM for dynamic environments using semantic label prediction with optical flow［J］. IEEE Access， 2021， 9： 106981-106997. 10.1109/access.2021.3100426
61	FU D， XIA H， QIAO Y Y. Monocular visual-inertial navigation for dynamic environment［J］. Remote Sensing， 2021， 13（9）： No.1610. 10.3390/rs13091610
62	YAO E L， ZHANG H X， SONG H T， et al. Fast and robust visual odometry with a low-cost IMU in dynamic environments［J］. Industrial Robot， 2019， 46（6）： 882-894. 10.1108/ir-01-2019-0001
63	KIM D H， HAN S B， KIM J H. Visual odometry algorithm using an RGB-D sensor and IMU in a highly dynamic environment［M］// KIM J H， YANG W M， JO J， et al. Robot Intelligence Technology and Applications 3： Results from the 3th International Conference on Robot Intelligence Technology and Applications， AISC 345. Cham： Springer， 2015： 11-26. 10.1007/978-3-319-16841-8_2
64	BLOESCH M， OMARI S， HUTTER M， et al. Robust visual inertial odometry using a direct EKF-based approach［C］// Proceedings of the 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2015： 298-304. 10.1109/iros.2015.7353389
65	NAM D V， GON-WOO K. Robust stereo visual inertial navigation system based on multi-stage outlier removal in dynamic environments［J］. Sensors， 2020， 20（10）： No.2922. 10.3390/s20102922
66	YANG D S， BI S S， WANG W， et al. DRE-SLAM： dynamic RGB-D encoder SLAM for a differential-drive robot［J］. Remote Sensing， 2019， 11（4）： No.380. 10.3390/rs11040380
67	葛振华，王纪凯，王鹏，等. 室内环境SLAM过程中动态目标的检测与消除［C］// 第18届中国系统仿真技术及其应用学术年会论文集. 合肥：中国科学技术大学出版社， 2017： 259-265.
	GE Z H， WANG J K， WANG P， et al. Detection and removal of moving objects in indoor environment SLAM［C］// Proceedings of the 18th CCSSTA. Hefei： University of Science and Technology of China Press， 2017： 259-265.
68	ZHANG T W， ZHANG H Y， LI X F， et al. AcousticFusion： fusing sound source localization to visual SLAM in dynamic environments［C］// Proceedings of the 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2021： 6868-6875. 10.1109/iros51168.2021.9636585
69	YUAN Z A， XU K， ZHOU X Y， et al. SVG-Loop： semantic-visual-geometric information-based loop closure detection［J］. Remote Sensing， 2021， 13（17）： No.3520. 10.3390/rs13173520
70	HU M Y， LI S， WU J Y， et al. Loop closure detection for visual SLAM fusing semantic information［C］// Proceedings of the 38th Chinese Control Conference. Piscataway： IEEE， 2019： 4136-4141. 10.23919/chicc.2019.8866283

数据集	场景	采集方式	数据类型	动态物体
TUM^［14］	室内	手持/机器人	RGB-D图像	人
Bonn^［15］	室内	手持	RGB-D图像	人、物品
OpenLORIS^［16］	室内	机器人	RGB-D图像、双目图像、2D/3D激光点云、IMU、轮式里程计	人、物品
ADVIO^［17］	室内/室外	手持	单目、IMU	人、车、电梯
KITTI^［18］	室外道路	汽车	双目图像、激光点云、IMU	行人、汽车
Oxford^［19］	室外道路	汽车	单/双目图像、激光点云、GPS/INS	行人、汽车

数据集	场景	采集方式	数据类型	动态物体
TUM^［14］	室内	手持/机器人	RGB-D图像	人
Bonn^［15］	室内	手持	RGB-D图像	人、物品
OpenLORIS^［16］	室内	机器人	RGB-D图像、双目图像、2D/3D激光点云、IMU、轮式里程计	人、物品
ADVIO^［17］	室内/室外	手持	单目、IMU	人、车、电梯
KITTI^［18］	室外道路	汽车	双目图像、激光点云、IMU	行人、汽车
Oxford^［19］	室外道路	汽车	单/双目图像、激光点云、GPS/INS	行人、汽车

方法	绝对轨迹均方根误差/m	相机类型	运行环境	基础框架	单帧跟踪时间/ms
文献［24］方法	0.037 1	RGB-D	E3-1230+12 GB	半直接法SLAM	15
文献［25］方法	0.093 2	RGB-D	i3+4 GB	DVO-SLAM	500
文献［23］方法	0.035 4	RGB-D	i5-4200H+8 GB	ORB-SLAM2	37
文献［26］方法	0.243 3	RGB-D	i5+4 GB+GPU	线特征里程计	50
文献［27］方法	0.310 3^*	双目	i7-4720HQ+8 GB	ORB-SLAM	114
文献［28］方法	0.079 9	RGB-D	i7-6700+20 GB	ORB-SLAM2	—
文献［29］方法	0.036 0	RGB-D	i7+16 GB	ORB-SLAM2	57
文献［30］方法	0.160 8	RGB-D	i5-3470+8 GB	ORB-SLAM2	30
文献［31］方法	0.518 6	RGB-D	i7+8 GB	DVO-SLAM	43
文献［32］方法	0.065 7	RGB-D	i7+16 GB	DVO-SLAM	7 000

方法	绝对轨迹均方根误差/m	相机类型	运行环境	基础框架	单帧跟踪时间/ms
文献［24］方法	0.037 1	RGB-D	E3-1230+12 GB	半直接法SLAM	15
文献［25］方法	0.093 2	RGB-D	i3+4 GB	DVO-SLAM	500
文献［23］方法	0.035 4	RGB-D	i5-4200H+8 GB	ORB-SLAM2	37
文献［26］方法	0.243 3	RGB-D	i5+4 GB+GPU	线特征里程计	50
文献［27］方法	0.310 3^*	双目	i7-4720HQ+8 GB	ORB-SLAM	114
文献［28］方法	0.079 9	RGB-D	i7-6700+20 GB	ORB-SLAM2	—
文献［29］方法	0.036 0	RGB-D	i7+16 GB	ORB-SLAM2	57
文献［30］方法	0.160 8	RGB-D	i5-3470+8 GB	ORB-SLAM2	30
文献［31］方法	0.518 6	RGB-D	i7+8 GB	DVO-SLAM	43
文献［32］方法	0.065 7	RGB-D	i7+16 GB	DVO-SLAM	7 000

方法	语义帧选择	运动分割方法	相机类型	年份	运行环境	单帧跟踪时间/ms
DS-SLAM^［40］	每帧	SegNet	RGB-D	2018	i7+P4000	59
DynaSLAM^［41］	每帧	Mask R-CNN+几何约束	单、双目及RGB-D	2018	Tesla M40	700
Dynamic-SLAM^［42］	每帧	SSD	单目	2019	i5-7300HQ+GTX1050Ti	100
SDF-SLAM^［36］	仅初始化	SegNet+静态背景	RGB-D	2020	i9-9940X+TITAN RTX	—
DDL-SLAM^［48］	每帧	DUNet	RGB-D	2020	i7+NVIDIA TITAN	非实时
Fan等^［44］	每帧	BlitzNet	RGB-D	2020	—	—
Miao等^［47］	每帧	PWC-Net+Deeplabv3	RGB-D	2021	—	—
RS-SLAM^［49］	每帧	PSPNet	RGB-D	2021	i5-7500+GTX 1060	180
YOLO-SLAM^［50］	每帧	YOLO	RGB-D	2021	i5-4288U	696
OC-SLAM^［51］	每帧	YOLO-Fastest+几何约束	RGB-D	2021	—	—
Detect-SLAM^［52］	ORB-SLAM关键帧	SSD+运动概率传播	RGB-D	2018	i7-4700+ GTX960M	实时
Zhang等^［53］	ORB-SLAM关键帧	Tiny YOLO	RGB-D	2018	GT730	20（仅YOLO）
Wen等^［54］	每5个ORB-SLAM关键帧	Mask R-CNN+三项误差	RGB-D	2021	—	非实时
DE-SLAM^［55］	ORB-SLAM关键帧	MobileNet V2	RGB-D	2022	i5	37
DGS-SLAM^［57］	独立的语义帧选择策略	YOLACT++	RGB-D	2022	AMD 5900HX+ GTX3070	38
RDS-SLAM^［58］	首尾关键帧优先策略	Mask R-CNN， SegNet运动概率	RGB-D	2021	RTX 2080Ti	30
RDMO-SLAM^［60］	首尾关键帧优先策略	Mask R-CNN+光流	RGB-D	2021	RTX 2080Ti	22~35

动态环境下视觉定位与建图的运动分割研究进展

Research progress on motion segmentation of visual localization and mapping in dynamic environment

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 70

相关文章 15

编辑推荐

Metrics

方法	绝对轨迹均方根误差/m	传感器	分割方法	运行环境	单帧跟踪时间/ms
文献［61］方法	1.814 0^*	单目+IMU	相机位姿估计后运动分割	i7-7700HQ+16 GB	—
DRE-SLAM^［66］	0.017 1	RGB-D+轮式里程计	相机位姿估计后运动分割	i7-8700+16 GB	33±12
AcousticFusion^［68］	0.127 6	RGB-D+麦克风阵列	依据声源方向直接判断动态区域	i7-10875H +64 GB	71

[1]	肖田邹子, 周小博, 罗欣, 唐其鹏. 动态环境下结合实例分割与聚类的鲁棒RGB-D SLAM系统[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1220-1225.
[2]	李永迪, 李彩虹, 张耀玉, 张国胜. 基于改进SAC算法的移动机器人路径规划[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 654-660.
[3]	申炳琦, 张志明, 舒少龙. 移动机器人超宽带与视觉惯性里程计组合的室内定位算法[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3924-3930.
[4]	刘晓光, 靳少康, 韦子辉, 梁铁, 王洪瑞, 刘秀玲. 基于阈值和极端随机树的实时跌倒检测方法[J]. 计算机应用, 2021, 41(9): 2761-2766.
[5]	李开荣, 刘爽, 胡倩倩, 唐亦媛. 基于转角约束的改进蚁群优化算法路径规划[J]. 计算机应用, 2021, 41(9): 2560-2568.
[6]	陆国庆, 孙昊. 基于随机行走的群机器人二维地图构建[J]. 计算机应用, 2021, 41(7): 2121-2127.
[7]	栾佳宁, 张伟, 孙伟, 张奥, 韩冬. 基于二维码视觉与激光雷达融合的高精度定位算法[J]. 计算机应用, 2021, 41(5): 1484-1491.
[8]	李二超, 齐款款. B样条曲线融合蚁群算法的机器人路径规划[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3558-3564.
[9]	郑思诚, 孔令华, 游通飞, 易定容. 动态环境下基于深度学习的语义SLAM算法[J]. 计算机应用, 2021, 41(10): 2945-2951.
[10]	刘昂, 蒋近, 徐克锋. 改进蚁群和鸽群算法的机器人路径规划[J]. 计算机应用, 2020, 40(11): 3366-3372.
[11]	王坤, 曾国辉, 鲁敦科, 黄勃, 李晓斌. 基于改进渐进最优的双向快速扩展随机树的移动机器人路径规划算法[J]. 计算机应用, 2019, 39(5): 1312-1317.
[12]	陈若男, 文聪聪, 彭玲, 尤承增. 改进A^*算法在机器人室内路径规划中的应用[J]. 计算机应用, 2019, 39(4): 1006-1011.
[13]	黄超, 梁圣涛, 张毅, 张杰. 基于多目标蝗虫优化算法的移动机器人路径规划[J]. 计算机应用, 2019, 39(10): 2859-2864.
[14]	赵宏, 常兆斌, 王乐. 基于词法特征的恶意域名快速检测算法[J]. 计算机应用, 2019, 39(1): 227-231.
[15]	罗蕊, 师五喜, 李宝全. 受侧滑和滑移影响的移动机器人自抗扰控制[J]. 计算机应用, 2018, 38(5): 1517-1522.