Dynamic SLAM joint optimization algorithm based on motion segmentation

ZhangYutong，Fan Xinyue，Zhou Zhiyuan，Xie Yuanyuan （ScholofCommicatioamp;IfoatioEnginering，CongqingUniesityofostsamp;Telecomnitios，ChongingChina）

Abstract：InordertoaddressthechallngeoftraditionalSLAMbeingeasilydisruptedbydynamicobjectsinthescene，this paper proposedavisual SLAMalgorithmsuitable fordynamicenvironments，referrdtoas GMS-SLAM.Inthisapproach，itreplacedsemanticsegmentation withageometric methodbasedonepipolarconstraints，andemployedopticaldilation to further eliminatepotentialcoplanarambiguities.Itmodeleddynamicobjectsusing motionconstraintsandrigidityconstraints.Thisaproachutilizedthegraphoptimizationmodule tooptimizethecamerapose information，andtransformedhumanskeletalmodelingintorigidojects tobeincorporatedintothegraphoptimizationprocess.Aditionally，byexploitingthestrongcorelation betweencameraself-motionandepipolarconstraints，itintegratedthesegmentationnetworkandoptimizationmoduleintoa unifiedframework forjointrefinement.ExperimentalvalidationontheKITTIandhighlydynamicShibuyadatasetsdemonstratesthat GMS-SLAMachievessubstantialimprovements inacuracycompared tostate-of-the-artdynamicvisualalgoritms， suchas DytanVO，and clasical dynamic algorithms ike DynaSLAM，exhibiting superiorlocalization performance in dynamic environments.

Key Words：dynamic SLAM；graph optimization；motion segmentation；rigid constrains

0 引言

SLAM系统帮助机器人在未知环境中寻找自身位置，构建轨迹地图以达到识别整个环境的目的。尽管以往的研究使其处于静态环境中能够精准完成预估的地图构建与机器人定位，但是在动态环境中性能的下降与鲁棒性的缺失已经成为遏制SLAM 研究的核心问题[1]。为消除动态对象的影响，部分研究引入惯性传导器等额外硬件帮助相机检测自运动和环境变换[2]，而本文讨论纯视觉下的动态SLAM处理方案。

动态对象的处理包括消除策略与优化策略。消除策略，即将移动物体视为异常值，并仅根据静态地标的测量值来估计相机姿态。DynaSLAM[3]联合多视图几何与神经网络识别环境中的动态对象；其处理低动态场景时表现良好。但当环境中充满大量动态物体时，所需剔除的部分变得过于庞大，导致系统在处理过程中丢弃大量信息，从而无法有效地修复空白区域。

优化策略将动态物体纳入SLAM系统中，估计简单刚性物体的姿态，或者估计它们的运动模型，通过一定的约束条件辅助相机定位。例如CubeSLAM算法[4]选择将室内物体建模为长方体。QuadricSLAM算法[5]将对象建模为椭球形。这种物体级的建模方式仅能表示部分物体，如环境中存在的部分内凹物体（如板凳）就无法由上述两者完全表示。为进一步提升广泛性，文献[6]选择将环境建立为统一模型，但由于其严重依赖于预设的光流估计且模型建立依然单一，无法处理高动态场景。更进一步， AriDOS^[7] 通过引人铰链式对象的建模方法将行人纳入运动模型中。……