1. 寫在前面

今天筆者為大家推薦一篇動態(tài)環(huán)境下視覺SLAM的最新工作，實現(xiàn)了精確的位姿估計，并能建立動態(tài)場景下的稠密地圖。整個框架基于NeRF實現(xiàn)，可惜算法沒有開源，但是這個設(shè)計思路可以做為參考。

2. 摘要

神經(jīng)隱式表示已經(jīng)被探索用于增強(qiáng)視覺SLAM算法，特別是在提供高保真度的稠密地圖方面。現(xiàn)有的方法在靜態(tài)場景中運行穩(wěn)健，但與移動物體引起的干擾相抗衡。本文提出了NID - SLAM，顯著提高了神經(jīng)SLAM在動態(tài)環(huán)境下的性能。我們提出了一種新的方法來增強(qiáng)語義掩碼中不準(zhǔn)確的區(qū)域，特別是邊緣區(qū)域。利用深度圖像中存在的幾何信息，該方法能夠準(zhǔn)確地去除動態(tài)物體，從而降低相機(jī)漂移的概率。此外，我們引入了針對動態(tài)場景的關(guān)鍵幀選擇策略，增強(qiáng)了相機(jī)對大尺度目標(biāo)的跟蹤魯棒性，提高了建圖效率。在公開的RGB - D數(shù)據(jù)集上的實驗表明，本文方法在動態(tài)環(huán)境下的跟蹤精度和建圖質(zhì)量方面優(yōu)于競爭性的神經(jīng)SLAM方法。

3. 效果展示

輸入帶有動態(tài)目標(biāo)的RGB-D序列，可以生成全局靜態(tài)地圖，這個空洞補(bǔ)全效果很不錯。

4. 具體原理是什么？

系統(tǒng)概述，包括：1 )動態(tài)物體移除：通過語義分割和掩膜修正，精確地移除RGB - D圖像中的動態(tài)物體，然后徹底地恢復(fù)被遮擋的背景。2 ) .跟蹤：通過最小化損失來優(yōu)化相機(jī)位姿{(lán) R，t }。3 )建圖：采用掩膜引導(dǎo)策略選擇關(guān)鍵幀，優(yōu)化特征網(wǎng)格場景表示。4 )場景表示：通過面聚焦點采樣實現(xiàn)預(yù)測顏色和深度值的高效繪制。

5. 和其他SOTA方法對比如何？

TUM數(shù)據(jù)集上相機(jī)跟蹤結(jié)果，評價指標(biāo)是ATE RMSE [ m ] (↓)，表示相關(guān)文獻(xiàn)未提及這個數(shù)據(jù)。

TUM數(shù)據(jù)集動態(tài)序列的建圖結(jié)果。

6. 總結(jié)

這篇文章介紹了一種動態(tài)RGB-D神經(jīng)SLAM方法NID - SLAM。證明了神經(jīng)SLAM能夠在動態(tài)場景中實現(xiàn)高質(zhì)量的建圖和合理的空洞補(bǔ)全。利用動態(tài)物體移除，可以實現(xiàn)穩(wěn)定的相機(jī)跟蹤，并創(chuàng)建可重用的靜態(tài)地圖。去除動態(tài)物體后準(zhǔn)確獲得的圖像，也可以用于進(jìn)一步的應(yīng)用，如機(jī)器人導(dǎo)航。

作者也提到了NID -- SLAM的局限性：實時性受限于分割網(wǎng)絡(luò)的速度，需要實現(xiàn)分割質(zhì)量和速度之間的平衡。結(jié)合神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，而不是僅僅依靠靜態(tài)地圖，可以得到更全面、更準(zhǔn)確的背景修復(fù)。

審核編輯：黃飛