基于深度学习动态对象过滤的 PCR-ORB：增强 ORB-SLAM3 的点云细化
机器人学
2025-12-30 v1 计算机视觉与模式识别
摘要
视觉同步定位与地图构建 (vSLAM) 系统在动态环境中面临重大挑战，移动物体会损害跟踪精度和地图一致性。本文引入 PCR-ORB (Point Cloud Refinement ORB)，这是一种增强型 ORB-SLAM3 框架，集成深度学习驱动的点云细化以缓解动态对象干扰。我们的方案采用 YOLOv8 进行语义分割，并结合 CUDA 加速以实现实时性能。系统实施了包括地面平面估计、天空区域移除、边缘过滤和时序一致性验证在内的多阶段过滤策略。在 KITTI 数据集 (序列 00-09) 上的全面评估展示了该方法在不同环境条件和场景类型下的性能特征。在特定序列中观察到显著改进，例如序列 04 在 ATE RMSE 上提升 25.9%，ATE 中位数提升 30.4%。然而，结果显示各序列表现呈现差异，表明该方法的有效性具有场景依赖性。该实现为动态对象过滤的挑战与机会提供了见解，有助于在复杂环境中实现稳健导航。
引用
@article{arxiv.2512.23318,
title = {PCR-ORB: Enhanced ORB-SLAM3 with Point Cloud Refinement Using Deep Learning-Based Dynamic Object Filtering},
author = {Sheng-Kai Chen and Jie-Yu Chao and Jr-Yu Chang and Po-Lien Wu and Po-Chiang Lin},
journal= {arXiv preprint arXiv:2512.23318},
year = {2025}
}
备注
17 pages, 2 figures, 1 table