具有语义约束的动态物体VSLAM
计算机视觉与模式识别
2015-04-29 v1
摘要
基于图像的城市环境重建是一个具有挑战性的问题，涉及大量变量的优化，并且存在若干误差来源，如动态物体的存在。由于大多数大规模方法假设观测静态场景，动态物体被归入此类系统的噪声建模部分。这是一种便利的方法，因为用于计算静态场景多视几何量的基于RANSAC的框架自然将动态物体归为异常值测量类。然而，重建动态物体与静态环境有助于我们获得城市环境的完整图像。这种理解随后可用于重要的机器人任务，如自主导航的路径规划、障碍物跟踪与规避以及其他领域。在本文中，我们提出一个在静态和动态环境中均能工作的鲁棒SLAM系统。为克服场景中动态物体的挑战，我们提出一个新模型将语义约束纳入重建算法。虽然其中一些约束基于在外观和运动线索上训练的多层密集CRF，其他提出的约束可表示为捆绑调整优化过程中的附加项，该过程对3D结构和相机/物体运动轨迹进行迭代细化。我们在具有挑战性的KITTI城市数据集上展示了关于运动分割精度以及相对于真值的移动物体轨迹和形状重建的结果。相对于VISO 2等最先进方法以及标准捆绑调整算法，我们能够实现移动物体轨迹重建平均相对误差的显著降低。
引用
@article{arxiv.1504.07269,
title = {Dynamic Body VSLAM with Semantic Constraints},
author = {N. Dinesh Reddy and Prateek Singhal and Visesh Chari and K. Madhava Krishna},
journal= {arXiv preprint arXiv:1504.07269},
year = {2015}
}