在动态环境中朝着生物启发的视觉SLAM:IPL-SLAM与实例分割和点线特征融合
Jian Liu1, Donghao Yao1, Na Liu1
1Institute of Machine Intelligence, University of Shanghai for Science and Technology, Shanghai 200093, China.
Biomimetics (Basel, Switzerland)
|September 26, 2025
概括
实例级点线SLAM (IPL-SLAM) 通过过移动物体中不可靠的特征来改善动态环境中的移动机器人导航. 这种强大的视觉SLAM框架提高了本地化准确性和映射,优于现有系统的性能.
科学领域:
- 机器人和计算机视觉 机器人和计算机视觉
- 人工智能和机器学习
背景情况:
- 同时定位和映射 (SLAM) 对自主机器人至关重要,但与动态环境元素作斗争.
- 移动的对象引入不可靠的功能,导致显著的本地化错误和性能下降.
研究的目的:
- 开发一个强大的视觉SLAM框架,即实例级点线SLAM (IPL-SLAM),专门为动态环境设计.
- 通过有效处理动态对象来提高本地化准确性和环境重建.
主要方法:
- 使用YOLOv8例如细分来识别动态区域并创建语义先验.
- 提取点 (ORB) 和直线特征 (LSD) 进行全面的环境表示.
- 实施运动一致性检查和适应性重量优化,以过动态特征并完善姿势估计.
主要成果:
- 在TUM RGB-D数据集上,IPL-SLAM与DS-SLAM和ORB-SLAM2相比显示出更高的轨迹准确性和稳定性.
- 该框架成功过了动态特征,在复杂的室内场景中减轻了本地化错误.
- 构建了一个静态的语义点云地图,改善了整体场景理解.
结论:
- IPL-SLAM为动态环境的视觉SLAM提供了显著的进步.
- 语义意识和几何线索的整合为自主导航提供了一个强大的解决方案.
- 这一框架为在现实世界中更可靠的机器人感知和交互铺平了道路.


