【泡泡图灵智库】一种基于光流的动态环境移动机器人定位方案

泡泡图灵智库，带你精读机器人顶级会议文章

标题：AnAccurate Localization Scheme for Mobile Robots Using Optical Flow in DynamicEnvironments

作者：Jiyu Cheng, Yuxiang Sun, Wenzheng Chi, Chaoqun Wang, Hu Cheng and Max Q.-H. Meng

来源：2018 IEEE International Conference on Robotics and Biomimetics

编译：陈圣伦

审核：李鑫，万应才

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

    大家好，今天为大家带来的文章是——An Accurate Localization Scheme for Mobile Robots Using Optical Flow in Dynamic Environments。

    过去几年里广泛的研究了视觉同时定位与地图构建(视觉SLAM)技术，并提出了许多在静态场景下具有良好性能的算法。然而，在动态场景中，现有的视觉SLAM算法无法非常准确地定位机器人。为了解决这一问题，我们提出了一种利用光流从提取的特征点中识别和消除动态特征点的新方法。将静态特征点加入到视觉SLAM算法中进行位姿估计。我们将我们的方法与ORB-SLAM系统集成，并利用TUM数据集中的动态序列验证了所提出的方法。整个系统可以实时运行。定性和定量的评估表明，我们的方法大大提高了视觉SLAM在动态场景中的性能。

主要贡献

1.提出了一种利用光流实时识别动态点的新方法;

2.将该方法集成到单目SLAM系统中。显著提升了在动态场景中的性能。

算法流程

算法架构

    模块一用于估计两个连续帧之间的运动，得到运动后将最后的图像与估计的变换矩阵相乘获得估计图像。模块二用于检测动态特征点，利用估计图像计算当前图像中每个特征点的光流，并根据光流值检测当前图像的动态特征点。

图1 算法架构

基于光流的检测

    在检测模块中使用Lucas-Kanade来计算从当前图像中提取的特征点的光流值。使用预定义的阈值确定哪些点是动态的，d是特征点流向量的二范数，F表示特征点集。

主要结果

特征点检测实验

使用TUM数据集的实验结果。对于每一列，顶部是原始的RGB图像，底部是使用本文方法得到的结果。彩色点表示从当前图像中提取的特征点。红点是静态的，绿点是动态的。

图2 特征点区分结果

定位精度实验

图3 定性结果，with和without代表使用和不使用我们的方法进行的实验。

表1 对比实验。低动态序列用上标星号表示。其他的是高动态序列。我们的方法有效地提高了所有场景中ORB-SLAM的ATE性能。

Abstract 

    Visual Simultaneous Localization and Mapping (Visual SLAM) has been studied for the past years and many state-of-the-art algorithms have been proposed with rather satisfactory performance in static scenarios. However, in dynamic scenarios, off-the-shelf Visual SLAM algorithms cannot localize the robot very accurately. To address this problem, we propose a novel method that uses optical flow to distinguish and eliminate dynamic feature points from extracted ones by using the RGB images as the only input. The static feature points are fed into the Visual SLAM algorithm for camera pose estimation. We integrate our method with the ORB-SLAM system and validate the proposed method with challenging dynamic sequences from the TUM dataset. The entire system can run in real time. Qualitative and quantitative evaluations demonstrate that our method significantly improves the performance of the Visual SLAM in dynamic scenarios.