【泡泡图灵智库】DS-SLAM:一种面向动态环境的语义视觉SLAM(arXiv)

会员服务 ·

【泡泡图灵智库】DS-SLAM:一种面向动态环境的语义视觉SLAM(arXiv)

2018 年 12 月 14 日 泡泡机器人SLAM

泡泡图灵智库，带你精读机器人顶级会议文章

标题：DS-SLAM: A Semantic Visual SLAM towards Dynamic Environments

作者：Chao Yu1, Zuxin Liu2, Xin-Jun Liu*1, Fugui Xie1, Yi Yang3, Qi Wei3, Qiao Fei*3

来源：arXiv cs.CV 2018

编译：刘小亮

审核：黄文超

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

大家好，今天为大家带来的文章是——DS-SLAM:一种面向动态环境的语义视觉SLAM，该文章发表于arXiv[cs.CV] 2018。

同步定位与建图（SLAM）被认为是智能移动机器人的基本功能。在过去的十年里，许多令人印象深刻的SLAM系统被开发出来，并在某些情况下取得了良好的性能。然而，一些问题仍然没有得到很好的解决，例如，如何在动态环境中处理移动物体，如何使机器人真正了解周围环境并完成高级任务。在本文中，提出了DS-SLAM：一种在动态环境下鲁棒的语义视觉SLAM。在DS-SLAM中运行着五个平行的线程：跟踪，语义分割，局部建图，回环检测和稠密的语义八叉树地图构建。DS-SLAM将语义分割网络与移动一致性检查方法相结合，减少了动态对象的影响，从而在动态环境中大大提高了定位精度。同时，生成可用于高级任务的稠密语义八叉树地图。本文的实验分别在TUM-RGBD数据集和真实环境下进行。本文实验结果表明，与ORB-SLAM2相比，DS-SLAM的绝对轨迹精度可提高一个数量级。在高度动态环境中，DS-SLAM是最先进的SLAM系统之一。

主要贡献

1、基于ORB-SLAM2 提出了动态环境中的完整语义SLAM系统（DS-SLAM），可以减少动态对象对位姿估计的影响。在TUM RGB-D数据集上评估该系统的有效性。结果表明，DS-SLAM在动态环境中的准确性和鲁棒性方面优于ORB-SLAM2。该系统还与机器人操作系统（ROS）[10]集成，通过在真实环境中对机器人测试DS-SLAM来验证其性能。

2、我们将一个实时语义分割网络放在一个独立的线程中，它将语义分割与移动一致性检查方法结合起来，过滤掉场景的动态部分，如走路的人。因此，在动态场景中，提升了定位模块和建图模块的稳定性和鲁棒性。

3、DS-SLAM创建了一个单独的线程来构建稠密的语义3D八叉树地图。稠密的语义三维八叉树地图采用优势对数计分法滤除不稳定体素并更新这些体素的语义。

算法流程

1、以下是DS-SLAM的概述图和框架图，主要是对于五个线程关系的描述。

图1 DS-SLAM概述图。原始RGB图像用于同时进行语义分割和移动一致性检查。然后删除异常值并估计位姿。基于位姿，深度图像和语义分割结果，在独立线程中构建语义八叉树地图。

图2 DS-SLAM的框架图。局部地图线程和回环检测线程与ORB-SLAM2相同。前者处理新的关键帧并执行局部束调整以在相机姿势的周围实现最佳重建，而后者搜索回环并在检测到回环时执行图优化。

主要结果

实验环境：

计算平台：Intel i7 CPU, P4000 GPU, 32GB内存。

移动机器人：带Kinect V2的TurtleBot2。

1、在TUM RGB-D数据集下的评估，本文实验对比比较简单，主要还是与ORBSLAM2对比，下面是使用相对高动态的fr3_walking_xyz的对比图。其中绝对轨迹误差（ATE）和相对姿势误差（RPE）用于定量评估。

图3 ORB-SLAM2的ATE和RPE

图4 DS-SLAM的ATE和RPE

2、ORB-SLAM2和DS-SLAM在TUM-RGBD数据集下的其他对比的表格，可以看出在动态环境下DS-SLAM提升的效果还是比较明显的。

表1 度量旋转角度漂移的结果（RPE）

表2 度量平移漂移的结果（RPE）

表三度量绝对轨迹误差的结果（ATE）

表四时间效率上的评估

3、实际环境的实验结果，输入为Kinect V2相机(960*540)。

定性地证明异常值拒绝的结果。如下图从顶行到底行的子图分别是ORB特征提取结果，基于光流的移动一致性检查结果，语义分割结果和异常值去除后的图像。绿点表示ORB特征点的位置，红色短线表示光流的方向。正如我们所看到的，通过移动一致性检查确定该人正在移动，然后有效地移除落入移动人区域中的特征点。

图5 实验室环境的实验结果，从顶行到底行的子图分别是ORB特征提取结果，基于光流的移动一致性检查结果，语义分割结果和异常值去除后的图像。。

图6 稠密的八叉树建图结果，红色体素代表沙发，蓝色体素代表显示器。此外，二维代价地图由八叉树地图生成，可用于导航。

Abstract

Simultaneous Localization and Mapping (SLAM) is considered to be a fundamental capability for intelligent mobile robots. Over the past decades, many impressed SLAM systems have been developed and achieved good performance under certain circumstances. However, some problems are still not well solved, for example, how to tackle the moving objects in the dynamic environments, how to make the robots truly understand the surroundings and accomplish advanced tasks. In this paper, a robust semantic visual SLAM towards dynamic environments named DS-SLAM is proposed. Five threads run in parallel in DS-SLAM: tracking, semantic segmentation, local mapping, loop closing and dense semantic map creation.DS-SLAM combines semantic segmentation network withmoving consistency check method to reduce the impact ofdynamic objects, and thus the localization accuracy is highly improved in dynamic environments. Meanwhile, a dense semantic octo-tree map is produced, which could be employed for high-level tasks. We conduct experiments both on TUM RGB-D dataset and in real-world environment. The results demonstrate the absolute trajectory accuracy in DS-SLAM can be improved one order of magnitude compared with ORB-SLAM2. It is one of the state-of-the-art SLAM systems in high-dynamic environments.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号。

点击阅读原文，即可获取本文下载链接。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/bbs/