Key points are not available for this paper at this time.
시각 동시 위치 추정 및 지도 작성 (V-SLAM)은 지능형 로봇 및 자율 내비게이션 시스템 개발에 중요한 역할을 합니다. 그러나 고도로 동적 환경을 처리하는 데 여전히 상당한 도전에 직면해 있습니다. 현재 환경에서 동적 객체 인식을 위해 사용되는 일반적인 방법은 딥 러닝입니다. 그러나 Yolov5 및 Mask R-CNN과 같은 모델은 상당한 계산 자원을 요구하며, 이는 하드웨어 및 시간 제약으로 인해 실시간 응용 프로그램에서의 가능성을 제한합니다. 이러한 한계를 극복하기 위해 본 논문은 ORB-SLAM2를 기반으로 하여 동적 환경을 위해 설계된 시각 SLAM 시스템인 ADM-SLAM을 제안합니다. 이 시스템은 효율적인 적응형 특징 점 동질화 추출, 개선된 DeepLabv3 기반의 경량 딥 러닝 의미 세분화 및 다중 뷰 기하학적 세분화를 통합합니다. 키프레임 추출을 최적화하고, 의미 세분화 네트워크를 사용하여 맥락 정보를 활용하여 잠재적 동적 객체를 세분화하며, 다중 뷰 기하학적 방법을 사용하여 동적 객체의 움직임 상태를 감지하여 동적 간섭 점을 제거합니다. 결과는 ADM-SLAM이 동적 환경에서 특히 고동적 장면에서 ORB-SLAM2를 초월하여 절대 궤적 오차(ATE)를 최대 97% 줄이는 성과를 보였음을 나타냅니다. 다양한 고도로 동적 테스트 시퀀스에서 ADM-SLAM은 실시간 성능 및 정확성 측면에서 DS-SLAM 및 DynaSLAM을 초월하여 그 우수한 적응성을 입증합니다.
Huang et al. (Sun,)은 이 문제를 연구했습니다.