基于YOLOv5的动态场景视觉SLAM研究

为解决动态环境下视觉SLAM系统准确性低和鲁棒性差的问题,提出基于深度学习的动态场景视觉SLAM方法。首先,利用改进的YOLOv5算法和光流约束算法剔除动态目标上的特征点,只保留不影响建图的静态特征点;然后,采用GMS-RANSAC融合算法剔除误匹配,准确估计相机位置和姿态;最后,通过融合词袋和YOLOv5目标检测算法,达到提高回环检测的效率和准确性的目的。通过使用TUM数据集中高动态的walking系列进行实验,实验结果表明,该方法能够在动态环境中保持稳定的鲁棒性和准确性。

动态场景下基于DeepLabv3+的语义视觉SLAM

同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)在人工智能领域有着不可替代的作用。传统的视觉SLAM算法在静态环境下具有较好的稳定性,但在动态场景下的鲁棒性和准确性较差,影响了其定位精度。为了解决这个问题,提出了一种结合ORB-SLAM3、语义分割线程和几何线程的语义视觉SLAM方法,利用DeepLabv 3+语义分割网络来分割潜在的先验动态对象,再通过几何线程使用多视图几何方法来检测动态对象的运动状态信息,剔除掉动态对象上的特征点,使用剩余的静态特征点求解相机位姿。最后,提出了一种新的蜣螂优化方案,通过最优路径找到所有动态特征点的集合,避免遍历所有特征点,减少动态目标检测时间,提高系统的实时性。通过在公开数据集上进行实验,结果表明,与同类算法相比,本文提出的方法有效提高了系统在高动态环境下的定位精度,提高了系统的实时性。