| 摘要:机器人在执行同时定位与地图创建(simultaneous localization and mapping, SLAM)的复杂任务时,容易受到移动物体的干扰,导致定位精度下降、地图可读性较差、系统鲁棒性不足.为此提出一种基于深度学习和边缘检测的SLAM算法.首先,利用YOLOv4目标检测算法获取场景中的语义信息,得到初步的语义动静态区域。同时提取ORB特征点并计算光流场，筛选动态特征点。通过语义关联进一步得到动态物体。利用canny算子计算动态物体的轮廓边缘。利用动态物体以外的静态特征点进行相机位姿估计。筛选关键帧，进行点云叠加。利用剔除动态物体的点云信息构建静态环境地图。本文算法在公开数据集上与ORB_SLAM2进行对比，定位精度提升90%以上。地图可读性明显增强。实验结果表明本文算法可以有效降低移动物体对定位与建图的影响，显著提升算法稳健性。 |
| 关键词: 同时定位与地图创建、深度学习、目标检测、语义信息、动态场景、边缘检测 |
|
|
|
|
| Abstract: |
| Key words: |