基于区域映射深度优化的动态多特征RGBD-SLAM算法
文章针对RGBD-SLAM在特征提取环节，由深度相机得到的深度图易出现深度不连续以及突然出现动态物体造成轨迹误差增大的问题，提出一种基于区域映射深度优化的动态多特征RGBD-SLAM算法。利用轻量级的语义分割网络获取RGB帧中的语义信息，将得到的语义掩码映射到其对应的深度图像中，并在掩码映射后的区域内进行近邻修复以完成深度图的优化。为减少动态物体对SLAM系统轨迹精度的影响，通过迭代最近点求解相机位姿，结合多视图几何得到物体位姿、运动估计矩阵以及动态视觉误差，进而估计物体运动状态并剔除动态物体。根据双向映射背景修复模型补全剔除区域的静态信息，并进行点线面特征的提取以完成定位与建图的任务。
创新点：1）提出一种基于语义信息的深度图优化，改善了点线面SLAM在特征提取环节由于深度相机得到的深度图易出现深度不连续影响特征跟踪的问题，提高了SLAM系统的位姿估计精度。2）针对突然出现动态物体造成轨迹误差增大的问题，提出一种联合深度信息与多视图几何完成动态物体剔除的方法，并利用双向映射模型进行静态背景的修复，提高了定位的精度并减少轨迹误差。
在公开数据集TUM中进行验证，实验结果表明所提算法相较于ORB-SLAM3、RGBD-SLAM、DS-SALM的平均绝对轨迹误差分别减少了78.2%、81.4%以及17.6%，表现了良好的轨迹精度与构图能力。
