【动态SLAM以及其解决方法汇总】

动态场景下的slam的问题

  如果在使用slam当中，输入的图片当中存在动态物体，或者可移动的物体，在修建地图的当中，那些从动态物体上提取的特征点，在环境当中可能是不稳定，一旦动态物体消失或者转移了位置，这样会对后面的定位和姿态的确定会造成很大的干扰，甚至直接造成slam失败，也会造成地图难以重复使用。

解决方法

  针对上述的问题，大体上的意思都是确定处于此刻动态物体上特征点，然后不在使用动态物体上特征点。这样仅仅使用静态场景下所提取的特征点的话，会使得地图能够被多次利用。精准化实现位姿的确定以及重定位。

针对动态场景下的SLAM问题，解决方法大致可以分为两大类:
  1、是使用多视图几何或者其他传统方法检测外点或者残差较大的动态区域，
  2、是使用深度学习的方法，包括目标检测和实例分割的一些网络，将一些先验的运动的物体分割出来进行剔除。

语义slam中的分割确定性和时间效率问题：

1、确定性问题：
  在特定使用的场景下，后者能够高效的剔除动态物体上的特征点，大大提升定位精度，但对一些没有先验注释的动态物体，或者对于标签为静态物体，但在此时此刻的场景中是动态的场景中。使用深度学习的方式难以实现这些动态物体上的特征点。
2、时间效率问题
  神经网络融合进SLAM后并不能实时运行，而且分割精度与准确度通常和时间效率成反比，要想得到更快的分割速度，往往需要以牺牲精度为代价。所以，在使用深度学习方法解决动态环境下的SLAM问题时，如何提高系统运行效率是一个亟待解决问题。

目前的趋势是将深度学习与传统方法结合，从而达到各种动态的物体特征点的精准去除。

语义slam时间效率问题的方法

方式一：将分割网络放在单独的线程

  例如1：清华大学的论文《DS-SLAM: A Semantic Visual SLAM towards Dynamic Environments》，论文地址。代码地址；
  在其中提出将语义分割网络放在一个单独运行的线程之中，这样语义分割可以和ORB特征提取、运动一致性检测并行运行，可以提高系统运行的效率。这种做法得到了之后很多人的采纳，但是在这里运动一致性检测不再能使用语义分割结果，而且所使用的语义网络运行速度也需要足够高，否则还是会成为提升性能的瓶颈所在。

论文中的主要图示如下：