李琳辉，张溪桐，连 静，周雅夫，郑伟娜

(工业装备结构分析国家重点实验室(大连理工大学)，辽宁 大连 116024)

SLAM(simultaneous localization and mapping,同时定位及地图构建)是实现智能车辆自主导航的关键，受到国内外学者的广泛重视[1].根据传感器的不同，SLAM可分为基于激光传感器的LSLAM[2]和基于视觉传感器的VSLAM[3].其中，基于视觉传感器的SLAM具有成本低、获得的环境信息丰富等优点，是当前智能驾驶领域的研究热点.

VSLAM可分为以SVO[4]和LSD-SLAM[5]为代表的直接法SLAM，以及以SOFT-SLAM[6]和ORB-SLAM2[7]为代表的特征点法SLAM.其中，特征点法SLAM适用于光照条件较差和相机发生大尺度位移或旋转的场景，具有更强的鲁棒性.该方法首先提取图像中的显著特征，计算特征的描述子，再根据两帧图像中特征的描述子距离进行匹配，最后根据匹配关系用对极约束、PnP或ICP算法求解出两帧之间的位姿.

特征点法SLAM根据图像中包含的世界模型点来反推相机位姿，处于运动状态的特征点会使计算的准确性受到影响，因此不能解决动态场景中位姿计算和地图构建的精度下降问题.如何区分特征点的动静状态是消除运动物体对位姿计算带来不利影响的重点.针对动态场景中缓慢运动的非刚性物体，Agudo等[8]使用物理先验算法在动态场景中实现了姿态估计；Ahuja等[9]利用SfM算法对场景中的运动对象进行实时3D重建.针对动态场景中存在快速运动的物体(如自行车、汽车等)，Yu等[10]提出一种光流跟踪帧间图像的一致性检验方法来找到运动的像素点，能检测到场景中……