基于深度学习和边缘检测的动态场景下鲁棒SLAM

• 作者: 李璐琪 蔡成林
• 来源期刊: 传感技术学报
• 关键词: 同时定位与地图创建 深度学习 目标检测 语义信息 动态场景 边缘检测
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 传感器信号处理|Signal Processing for Sensors
• 页码范围: 80-88
• 页数: 9页
• 分类号: TP242|TP391.4
• 语种: 中文
• DOI: 10.3969/j.issn.1004-1699.2021.01.013

摘要

机器人在执行同时定位与地图创建(simultaneous localization and mapping,SLAM)的复杂任务时,容易受到移动物体的干扰,导致定位精度下降、地图可读性较差、系统鲁棒性不足,为此提出一种基于深度学习和边缘检测的SLAM算法.首先,利用YOLOv4目标检测算法获取场景中的语义信息,得到初步的语义动静态区域,同时提取ORB特征点并计算光流场,筛选动态特征点,通过语义关联进一步得到动态物体,利用canny算子计算动态物体的轮廓边缘,利用动态物体以外的静态特征点进行相机位姿估计,筛选关键帧,进行点云叠加,利用剔除动态物体的点云信息构建静态环境地图.本文算法在公开数据集上与ORB_SLAM2进行对比,定位精度提升90％以上,地图可读性明显增强,实验结果表明本文算法可以有效降低移动物体对定位与建图的影响,显著提升算法稳健性.