译文：Robust RGB-D SLAM in Dynamic Environment Using Faster R-CNN

摘要 - 最近的同步定位和映射（SLAM）方法已经在静态环境重建方面取得了巨大成功。 然而，由于不稳定和模糊的数据关联，这些方法在动态环境中遭受性能退化。 在本文中，我们提出了一种强大而有效的SLAM在动态环境中的方法。 为了消除动态对象的影响，我们通过语义和几何信息计算当前帧和关键帧之间的差异，以检测动态对象。 然后我们选择可靠的数据关联并获得更准确的变换矩阵。 对公共数据集的实验表明，我们提出的方法在动态环境中优于原始方法。

I. INTRODUCTION

同时定位和映射（SLAM）估计板载传感器的位置并构建传感器感知的未知环境的地图。 这是用于导航的移动机器人的基本问题。

IV. CONCLUSIONS AND F UTURE W ORKS

我们已经检索到更精确的相机姿态估计，并且即使在存在来自公共数据集的动态对象的情况下也实现了更好的3D环境构造结果。 此外，通过添加语义建图，数据关联变得更具说服力并且实现了更好的性能。我们的算法的优点是可以选择明智地需要对象检测的时间。 没有必要在每个耗时的帧中执行此操作。 它实现了更高的精度，更高的速度和更强的鲁棒性。 在姿势优化期间，我们删除了由类似但不一致的特征组成的模糊数据关联。因为实验告诉我们如果你只是删除动态对象边界框区域，结果可能是好的但不是那么好。 动态对象区域的周围位置可以永久地改变，例如椅子。

在未来的工作中，我们计划扩展我们的算法以在静态环境中检索动态对象。 我们都可以获得更好的动态对象模型，而不仅仅是许多混淆点和整个静止环境。