一个强大的框架,将视觉SLAM和3D高斯分片与动态区域分割的粗细方法融合在一起
Zhian Chen1, Yaqi Hu2, Yong Liu2
1Department of Computer Science and Engineering, Southern University of Science and Technology, Shenzhen 518000, China.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
本研究介绍了一个动态的SLAM框架,它结合了几何和学习特征,以准确地绘制移动物体的地图. 该系统显著改善了相机姿势估计和动态环境中的密集映射.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 同时定位和绘制 (SLAM)
背景情况:
- 由于移动的物体,现有的视觉SLAM与动态环境作斗争.
- 神经表现在静态场景中表现良好,但随着运动而退化.
研究的目的:
- 开发一个强大的动态SLAM框架,用于准确的定位和密集的映射在移动物体的环境中.
- 在具有挑战性的动态场景中提高SLAM系统的性能.
主要方法:
- 结合了用于定位的经典几何特征和用于密集映射的学习光度特征.
- 使用实例细分和卡尔曼过器进行对象跟踪.
- 采用级联式,粗到细的光流策略,用于高效的运动分析.
- 在动态区域中的过器功能可增强相机姿势估计.
- 使用3D高斯斯普拉丁后端与高斯斯金字塔进行高质量的重建.
主要成果:
- 与ORB-SLAM3相比,在动态数据集上实现了高达95%的绝对轨迹误差减少.
- 在动态场景中生成干净和高保真密集的地图.
- 与只有密度的方法相比,运动分析计算减少了91.7%.
- 在各种数据集中证明了稳定性和准确性.
结论:
- 拟议的动态SLAM框架显著提高了动态环境中的本地化和映射精度.
- 该系统为涉及移动物体的现实应用提供了强大而高效的解决方案.
- 几何和学习特征的整合为动态SLAM提供了一个强大的方法.
