0. 引言

動態環境下的SLAM系統一直都是一項具有挑戰的問題，基于學習的方法在動態物體出現大面積遮擋時容易出現漏檢，而基于幾何的方法對于動態物體的位姿估計不是那么準確。在2022 IEEE RA-L論文"DynaVINS: A Visual-Inertial SLAM for Dynamic Environments"中，作者提出了一種動態環境下的VINS系統，筆者認為最大的創新在于解決了臨時靜態對象引起的假陽性回環問題。

2. 摘要

視覺慣性里程計和SLAM算法廣泛應用于各種領域，如服務機器人、無人機和自主車輛。大多數SLAM算法都是基于靜態環境假設。然而，在現實世界中，存在各種動態對象，并且它們降低了姿態估計精度。此外，暫時靜止的對象(在觀察期間是靜止的，但當它們離開視線時會移動)會觸發錯誤的回環檢測。為了克服這些問題，我們提出了一種新的視覺慣性SLAM框架，稱為DynaVINS，它對動態對象和暫時靜態對象都具有魯棒性。

在我們的框架中，我們首先提出了一種魯棒的BA，它可以通過利用IMU預積分估計的姿態先驗來拒絕來自動態對象的特征。然后，提出了關鍵幀分組和基于多重假設的約束分組方法，以減少暫時靜止物體對回環的影響。隨后，我們在包含大量動態對象的公共數據集中評估了我們的方法。最后，實驗結果證實了我們的DynaVINS通過成功地拒絕動態和暫時靜態對象的影響，與其他最先進的方法相比具有良好的性能。

3. 算法分析

如圖1所示是作者提出的Dyna-VINS的整體架構，算法的輸入為單目/雙目圖像和IMU信息，并進行特征跟蹤和IMU預積分。然后，經過魯棒BA來從動態對象中丟棄跟蹤的特征，只有靜態對象的特征被保留。之后使用被追蹤特征的數量對關鍵幀進行分組，并且聚類在當前關鍵幀組中檢測到的回環假設。最后在選擇性優化中使用或拒絕具有權重的每個假設，最終獲得面向動態和暫時靜態對象魯棒的軌跡。

圖1 Dyna-VINS架構總覽

綜上所述，作者所做工作的主要貢獻如下：

(1) 提出了魯棒的VI-SLAM方法來處理主要的、未定義的動態對象，這些對象不能僅通過基于學習或僅視覺的方法來解決。

(2) 提出了一種新的BA算法，用于同時估計相機姿態和丟棄動態對象中明顯偏離運動先驗的特征。

(3) 提出了一種魯棒的全局優化方法，將約束分組為多個假設，以拒絕來自暫時靜態對象的回環。

3.1 應用場景

圖2所示是Dyna-VINS應用的主要場景。圖2(a)和圖2(b)是城市環境中遇到大面積遮擋的情況，這種情況下深度學習方法可能會出現漏檢。圖2(c)是作者自建的臨時靜態物體場景，如果一個物體當前被觀測的時刻是靜止的，但后期發生移動的話，傳統的基于幾何的SLAM算法會發生假陽性回環。

圖2 主要測試的動態環境 (a)--(b) VIODE數據集的city_day序列，包含大量遮擋；(c) 自建數據集，包含暫時靜態的對象

3.2 魯棒BA

因為Huber損失并不完全拒絕異常值的殘差，所以一旦外點比例增加，傳統的Huber損失就容易失效。因此作者提出的BA方法由兩部分組成：a)利用IMU預積分的正則化因子，b)考慮每個權重的前一狀態的動量因子。作者所提出的魯棒BA的流程如圖3所示。

圖3 魯棒BA框架，每個特征都有一個權重用于視覺殘差，每個權重通過正則化因子和權重動量因子進行優化

3.3 關鍵幀分組

在傳統方法的回環檢測中，面對臨時靜止的物體，假陽性閉環可能導致SLAM框架的失敗。此外，來自臨時靜態對象的特征和來自靜態對象的特征可能存在于同一個關鍵幀中。因此，在DynaVINS中，作者使用了關鍵幀分組的概念：來自相同特征的回環被分組，即使它們來自不同的關鍵幀。因此，每個組只使用一個權重，從而實現更快的優化。

如圖4(a)所示，在對回環進行分組之前，必須對共享最少數量跟蹤特征的相鄰關鍵幀進行分組。從第i個相機幀Ci開始的組定義為：

α表示跟蹤的最小特征數，Fki表示從Ci跟蹤到Ck的特征集合。

之后。使用DBoW2識別與當前組Gi中的每個關鍵幀Ck相似的關鍵幀Cm，如果沒有相似關鍵幀，則跳過Ck。在識別出k最多3個不同的m后，在Ck和這些關鍵幀之間進行特征匹配，可以得到相對位姿T。如果用于匹配的特征來自同一對象，即使匹配的Ck和Cm不同，匹配的估計位姿也會位于彼此接近的位置。因此，通過計算回環位姿之間的歐氏距離，可以將歐氏距離較小的相似閉環進行聚類，結果如圖4(c)所示。根據所選的回環集群，圖形優化的軌跡結果有所不同。

圖4 多假設聚類的過程 (a)對共享所跟蹤功能的最少數量的關鍵幀進行分組 (b) 用于匹配的特征有兩類：靜態特征和臨時靜態特征 (c) 臨時靜態特征從前一位置移動

4. 實驗結果

作者分別比較了DynaVINS與VINS-Fusion、ORB-SLAM3、DynaSLAM。每種算法都在單目慣性(-M-I)和雙目慣性(-S-I)模式下進行測試，由于DynaSLAM沒有使用IMU，因此只在雙目(-S)模式下進行進行。評估在VIODE數據集上進行，該數據集中存在一些大面積遮擋的數據。但由于VIODE數據集不包含由臨時靜態對象引起的錯誤回環情況，因此作者建立了自己的數據集，包括4個序列。

4.1 VIODE數據集

表1所示是關于BA時間成本和準確性的分析，結果顯示僅使用正則化因子比VINS-Fusion有更好的ATE，但是加上動量因子以后，ATE進一步降低，還減少了所需要更少的時間。

表1 在VIODE數據集的parking_lot high序列中的消融實驗

如表2和圖5所示，目前的SOTA方法在靜態環境中有精確的姿態估計結果，但在動態環境中性能變差。尤其是隨著動態對象數量的增加，DynaSLAM會發散或輸出較大的ATE。ORB-SLAM3和VINS-Fusion也有同樣的問題。作者認為這種性能下降是由于整體遮擋，導致語義分割模塊的失敗和靜態對象特征的缺失。

表2 動態環境下的SOTA方法對比

?

圖5 在VIODE數據集的city_day序列上測試的SOTA算法

在如圖6所示的停車場序列中，即使其他算法受到動態對象的影響，DynaVINS也能執行穩定的姿態估計。即使動態對象的數量增加，與其他方法相比DynaVINS性能下降仍然很小，這是因為DynaVINS提出了一個魯棒的BA方法，表3也定量得驗證了這一結論。實際上，這種方法是通過以自適應的方式調整權重來濾除所有動態特征。

圖6 在VIODE數據集parking_lot high序列上的定性結果 (a) 3D特征圖中每個算法的軌跡，低權重的特征用紅色表示。(b) (a)的放大圖，其他算法在觀察動態對象時丟失軌跡或具有噪聲軌跡 (c) 特征加權結果中，來自動態對象的特征(紅叉)具有低權重，而魯棒特征(綠圈)具有高權重

表3 性能降低比例的對比

此外，作者提出的BA方法通過拒絕不一致的特征(例如圖6(c)中黑暗區域的低權重特征)來實現對光照變化的魯棒性。因此，與其他SOTA方法相比，DynaVINS在城市夜晚場景中表現出顯著的性能，其中不僅存在動態物體，而且缺乏光照。

4.2 自建數據集

如表2所示，在靜態場景中所有算法的ATE均較低。但在動態跟隨場景中，其他算法試圖跟蹤遮擋物體，BA和回環會出現問題。因此，除了DynaVINS外，其他算法都有較高的ATE。此外，在臨時靜態物體環境中，ORB3和VINS-Fusion的雙目慣性模型可以正常運行，但單目慣性模式下由于深度估計不準確，出現了假陽性的閉環。

如圖7所示，在E-shape情況下，由于存在假陽性閉環其他算法無法優化軌跡。然而，但DynaVINS優化了每個假設的權重，因此可以在優化中排除假陽性的回環。

圖7 E形序列的算法軌跡結果，由于假陽性回環，其他算法是不準確的。

5. 結論

在2022 IEEE RA-L論文"DynaVINS: A Visual-Inertial SLAM for Dynamic Environments"中，作者提出了DynaVINS，這是一個基于動態環境中的魯棒BA和選擇性全局優化的魯棒VI-SLAM框架。作者在VIODE數據集和自建數據集上分別對動態物體和臨時靜態物體進行了分析，結果顯示DynaVINS性能在動態環境中比其他基于幾何的算法工作得更好。此外作者提出，他們后續的工作是提高速度和性能，并將在激光-視覺-慣性SLAM框架中采用DynaVINS的概念。

編輯：黃飛

?