杨世强，范国豪，白乐乐，赵 成，李德信

西安理工大学 机械与精密仪器工程学院，西安710048

同时定位与地图创建（Simultaneous Localization and Mapping，SLAM）是指机器人在没有任何先验环境信息的情况下，同时完成自身定位以及周围环境地图构建[1-2]。现有一些先进的SLAM算法已经取得令人满意的成绩，如ORB-SLAM2、VINS-Mono和LSD-SLAM[3-6]等。其中ORB-SLAM2[3-4]因其较好的系统稳定性和实时性，得到了研究者们的广泛关注。该算法使用ORB特征进行跟踪匹配，通过基于词袋方法的闭环检测和重定位技术以及后端优化方法使系统具备一致性较高的定位与地图构建精度。然而，ORB-SLAM2和现有大多优秀算法一样，在现实场景的应用上依然存在一些问题[7]。现有的算法大多为了计算方便，常将外部环境作为静态假设，忽略了真实环境中动态物体对SLAM算法精度的影响，所使用的静态模型无法适应复杂多变的环境[8]。因此，研究动态环境下的SLAM算法显得尤为重要。

Bescos等[9]基于ORB-SLAM2框架提出了一种DynaSLAM动态鲁棒SLAM算法，融合了深度学习方法和多视图几何方法来检测场景中的动态特征点，在TUM数据集上具有较好的测试精度。同样地，Yu等[10]基于ORB-SLAM2框架提出DS-SLAM，通过几何约束方法区分静态和动态特征，因其在对极约束中所计算的基本矩阵易受外点影响而出现偏差，进而影响了系统精度。张金凤等[11]结合深度学习目标检测方法，将特征点分为动态特征和静态特征，仅基于静态特征估计相机位姿，在某些极端环境中，如当场景中动态目标占比较大时，由于静态特征数量大量减少，导致系统稳定性降低。……