空城：用于视觉SLAM的动态物体不变空间
计算机视觉与模式识别
2020-10-16 v1 机器人学
摘要
在本文中，我们提出一种数据驱动方法以获得场景的静态图像，消除使用相机遍历场景时可能存在的动态物体。总体目标是在动态环境中改进基于视觉的定位与建图任务，其中不同时刻不同动态物体的存在（或缺失）使这些任务鲁棒性下降。我们引入一个端到端深度学习框架，将包含车辆或行人等动态内容的城市场景图像转换为适用于定位与建图的逼真静态帧。该目标面临两个主要挑战：检测动态物体，以及修复被遮挡的静态背景。第一个挑战通过使用学习图像多类语义分割的卷积网络来解决。第二个挑战采用生成对抗模型，以原始动态图像与计算得到的动态/静态二值掩码为输入，能够生成最终静态图像。该框架利用了两种新损失：一种基于图像隐写分析技术，用于改善修复质量；另一种基于ORB特征，旨在增强真实与幻觉图像区域间的特征匹配。为验证我们的方法，我们在受动态实体影响的不同任务（即视觉里程计、地点识别与多视图立体）上使用幻觉图像进行了广泛评估。代码已发布于https://github.com/bertabescos/EmptyCities_SLAM。
引用
@article{arxiv.2010.07646,
title = {Empty Cities: a Dynamic-Object-Invariant Space for Visual SLAM},
author = {Berta Bescos and Cesar Cadena and Jose Neira},
journal= {arXiv preprint arXiv:2010.07646},
year = {2020}
}