摘要
随着现代社会高新技术产业的快速发展，人工智能技术的兴起带动了智能移动机器人、自动驾驶领域应用的飞速增长，具有自主移动能力的机器人已逐渐走进人们的生活，如自动驾驶、智能物流搬运、智能服务等。对于移动机器人来说，实现智能化、自主化移动导航和路径规划的能力是关键，基于视觉的同时定位与建图(visual Simultaneous Localization and Mapping，vSLAM）则是实现在未知环境下自主移动及避障导航的重要基础。 SLAM在三十多年的研究发展下已不断的成熟，但传统的SLAM研究大多数基于静态环境的设定，这使得在室外动态环境下的应用受到极大限制；同时机器人还要理解周围的环境以执行交互任务，因此对环境的语义感知也是至关重要。本文主要将语义级实例分割技术同视觉SLAM结合，对室外动态场景下的语义视觉SLAM展开研究，主要研究内容如下： （1）针对目前大部分语义级实例分割网络无法兼备良好的实时性和精确度的问题，对实例分割YOLACT网络模型进行优化设计，融合金字塔卷积、特征金字塔网络的多尺度处理能力和Triplet Attention跨维度交互以提升空间相关性的优点，提出基于多尺度残差注意力的YOLACT模型，在COCO数据集上对优化的网络模型进行实验，其AP与AP50%分别达到33.5%和56.1%，帧率和处理时间也得到了高效提升，实现实例分割检测精度和速度的并行提高。 （2）基于经典的特征法SLAM系统展开研究，在系统运动估计模块前置部分融入高效的动态物体去除算法，合理利用语义和光流信息来去除室外场景中动态物体的影响，避免动态物体直接参与前端相机运动估计时的特征点提取和后端建图，提升SLAM系统在室外动态环境下的稳定性和定位精度。 （3）针对室外场景中去除动态移动物体的问题，提出一种光流转换场景流和实例分割结合的动态物体去除方法。首先使用PWC-Net网络进行物体的光流估计，将光流联合深度信息转换为场景流以获取动态特征点信息，然后结合实例分割所得掩码对动态特征点进行滤除，实现场景中动态移动物体和静态背景的分离。 （4）基于KITTI公开数据集，对提出的动态物体分割算法进行实验分析，开展不同场景去除动态物体前后的相机运动估计实验，结果显示去除动态物体之后的相机运动估计误差更小，表明了本文去除动态物体算法在系统中的有效性。同时，与ORB-SLAM2和DSO进行轨迹和误差比较的实验结果表明，本文提出算法在室外动态环境下性能更佳，具备更高的稳定性。最后，融合实例分割、光流信息及相机运动构建了语义点云地图，使得构建的地图不仅包含环境点云信息，更具物体语义信息。
NETL