摘要
目前常见的视觉同步定位与地图构建（Visual Simultaneous Localization and Mapping， VSLAM）研究大多假设周围是静态环境，但现实环境却复杂且会不停变化，这就存在大量动态物体的干扰，直接影响到特征点的选择，也间接导致动态环境中系统鲁棒性一般和精度严重下降。在很多移动平台和嵌入式设备应用场景中，对实时性和便捷性要求较高，轻量化的系统设计变得非常重要。论文将视觉SLAM作为研究对象，以在低动态和高动态环境中能够用低成本构建SLAM系统为目标，对室内动态环境下视觉SLAM进行研究。 1）针对动态环境下因动态目标干扰而产生的鲁棒性较差的问题，提出基于 YOLOv7 网络模型的轻量级目标检测方法MN3S-YOLO。该方法引入轻量级MobileNetv3-small网络结构和SE注意力机制，解决了传统网络模型参数量和计算量大，特征提取有用信息利用率低的问题。 2）针对动态环境中，传统视觉 SLAM 系统视觉里程计难以准确识别和跟踪动态物体而影响整个系统性能的问题，提出一种轻量化的 MYLK 视觉里程计。通过将 MN3S-YOLO 目标检测方法和Lucas-Kanade光流法结合，利用目标检测分类框定动态物体和Lucas-Kanade光流信息特性对动态特征点进行剔除。改善了视觉SLAM系统动态环境中位置估计和姿态跟踪不准确的问题，提升系统的实时性和鲁棒性。 3）根据本文所提出的MYLK视觉里程计更换到传统ORB-SLAM2系统中，分别在TUM低动态和高动态数据集中进行验证。通过实验表明，改进后的系统能够在单目相机的条件下，对动态场景进行实时动态物体剔除、相机定位和环境稀疏点云建图。
NETL