DynaVINS: 适用于动态环境的 VI-SLAM
视觉惯性里程计和 SLAM 算法被广泛应用于各个领域，如服务机器人、无人机和自主车辆。大多数 SLAM 算法都是基于地标是静态的假设。然而，在现实世界中，存在各种动态物体，它们会降低姿势估计的准确性。此外，暂时静止的物体，在观察过程中是静止的，但当它们离开视线时就会移动，可能会触发误报回环。为了克服这些问题，作者提出了一个新的视觉-惯性 SLAM 框架，称为 DynaVINS ，它对动态物体和暂时的静态物体都具有鲁棒性。在该框架中，首先提出了一个稳健的光束平差法（捆绑调整），通过利用由 IMU 预积分估计的姿势先验，可以拒绝来自动态物体的特征。然后，提出了一个关键帧分组和一个基于多假设的约束分组方法，以减少临时静态物体在回环检测中的影响。随后，作者在一个包含众多动态物体的公共数据集中评估了该方法。最后，实验结果证实，与其他最先进的方法相比，提出的 DynaVINS 具有良好的性能，成功地拒绝了动态和临时静态对象的影响。...
