[精读论文]《DE‐SLAM: SLAM for highly dynamic environment》&&《The STDyn-SLAM: A Stereo Vision and Semantic

1.《DE‐SLAM: SLAM for highly dynamic environment》

 

 

①(总体)针对： 场景中动态元素(短期动态STD和长期动态LTD）影响SLAM系统稳定性和位姿估计的准确性问题。

    提出： 带有运动检查的轻量级语义检测网络(MobileNet V2 SSD)来检测和评估关键帧中STD元素的实时运动状态，同时设计了一个高效的自适应粒子滤波器和粒子聚类算法来追踪非关键帧中的STD元素。

②(分)针对： 传统的回环检测算法，如视觉词袋模型，对环境中的LTD元素很脆弱的问题。

    提出： 两阶段的Loop Closure模块，通过融合HOG描述符和ORB特征来减少环路检测中LTD 元素的影响。

 得到：

实验1  自适应粒子过滤器和粒子聚类算法可以动态跟踪算法有效地，高效地跟踪行人位置

（这是前提，首先得识别动态，然后进行跟踪）

实验2  EuRoc数据集下，DE-SLAM与主流算法ORB-SLAM2对比，系统在五个场景中的平均误差为2.7厘米，小于ORB-SLAM2，平均重度误差为14.81%。在静态场景中，为动态环境优化的DE-SLAM仍然取得了很好的姿态估计精度。

（动态场景优化结果较好的情况下，静态仍然很好，不能只谈动态）

实验3  TUM数据集下，RGB-D动态序列上的输出轨迹与Ground Truth比较。DE-SLAM与ORB-SLAM2，系统的RMSE误差有明显改善，四个序列的平均RMSE降低了84.13%。

同时与了DS-SLAM、DVO-SLAM比较。识别精度方面比DS-SLAM高27.89% ，比DVO-SLAM高的更多。计算效率方面比DS-SLAM快66.3%，计算平台相同的情况下，比DVO-SLAM快17倍以上。

（多种数据集比较，多种算法比较，说明普适性，多找些数据集和开源项目跑一跑）     

实验4  通过调整视觉词袋模型的检测阈值和HOG-NET的相似度分数阈值，观察了DE-SLAM和ORB-SLAM算法的精确率和召回率。对于KITTI数据集，DE-SLAM检测到更多的回环。在有些序列中ORB-SLAM无法检测回环。DE-SLAM的RMSE为1.57米，比ORB-SLAM2的3.23米RMSE小51.39%。

（针对提出的第二个问题优化后，通过检测闭环性能和RMSE比较）

实验5和实验6 用自己的机器人，自己建立的数据集进一步验证，验证方法与上述类似，DE-SLAM系统可以在环境中的光照变化下提供准确和稳健 的闭环。

（考虑的很全面，拉长时间线情况下，会出现光照变化因素，作者也考虑在内）

2.《The STDyn-SLAM: A Stereo Vision and Semantic Segmentation Approach for VSLAM in Dynamic Outdoor Environments》​​​​​​

 

针对： 动态户外环境中，移动物体的动态特征会导致错误的位姿估计和错误的定位。

提出： 使用语义分割神经网络(基于VGG-16模型的编码器-解码器，SegNet)、光流法和几何约束来消除动态物体，并用双目相机的深度图，用OctoMap (基于八叉树的三维地图创建工具) 进行三维重建。

得到：

实验1  （三个场景对应三张图）

① 汽车静止，相机动，相对而言，汽车就是动态的。如果场景再次被覆盖STDyn-SLAM能够填补空区。

（先满足静态环境条件下，能够去除潜在动态物体，再通过后面帧补偿）

② 室内环境中，移动的人从左到右穿过。移动的 人所占据的区域在该区域可见后被填充。

③ 两辆停放的汽车、行人和一只狗的场景序列。考虑到潜在的动态物体的场景SLAM排除了可能移动的物体（停放的汽车），以避免在整个重建过程中进行多次绘制。

    

   

        

实验2  比较了RTABMAP和STDyn-SLAM系统的点云。由RTABMAP创建的点云；注意动态物体是如何沿着轨迹映射的，效果非常差，而STDyn-SLAM可以成功重建。

实验3  选择具有动态物体、循环 和无循环封闭的序列，将STDyn-SLAM与DynaSLAM1和ORB-SLAM2对比，评估了APE、RPE和ATE和处理时间，并未提及提升了多少，但是相对而言提升了一点(表格形式)。

(个人认为本篇文章，最后在实验评估做的并不是很好，因为将数据列出来以后，只做了定性分析，没有做定量分析)