摘要
针对传统语义实时定位与建图(SLAM)算法在动态环境下剔除特征点过多造成定位精度降低的问题,提出一种基于实例分割与光流的视觉语义SLAM算法。算法使用Mask R-CNN网络对图像中的潜在动态物体进行实例级别的分割,同时在光流线程中对动态物体进行识别并剔除,随后使用剩余的静态光流点与静态特征点联合优化定位,从而实现语义信息与光流信息的充分融合利用。使用公开数据集测试和地面无人平台实验对所提方法进行验证。实验结果表明,在TUM数据集下,新方法的定位均值误差相比ORB-SLAM2平均提高75%,相比Dyna-SLAM平均提高8.5%。
- 单位