基于深度学习与特征点速度约束的室内动态SLAM方法

针对动态环境下同时定位与建图(SLAM)算法定位信息不准确、建图偏移严重的问题,提出一种深度学习与特征点速度约束相结合的室内动态SLAM方法。引入基于深度学习的潜在动态目标检测线程与基于ORB-LK光流金字塔的特征点速度计算线程。首先,通过YOLO_v5算法对场景中潜在的动态目标进行识别判断,提供先验信息;然后,利用ORB-LK光流金字塔算法计算图像中特征点的相对速度,根据特征点速度约束判断潜在动态目标区域的真实动态性,更加合理地剔除动态特征点,提高视觉SLAM系统在室内动态环境下的定位精度和鲁棒性。实验结果表明,在TUM数据集中动态子序列下与ORB-SLAM2、Detect-SLAM、DS-SLAM相比,绝对轨迹均方根误差分别平均减少94.74%、51.95%、43.61%。