【摘要】 SLAM技术是机器人自动导航、无人驾驶、AR增强现实的关键技术，而视觉SLAM因为可以获取更多的环境信息，同时成本远低于激光雷达的方案，受到了业界广泛的关注。但是，传统的SLAM框架为了分析方便，采用了静态环境的假设，如何应对动态目标干扰至关重要。现有的面向动态场景的SLAM系统要么只利用语义信息，要么只利用几何约束，要么以松散耦合的方式简单结合起来，设计一个面向动态环境的视觉语义SLAM系统，它建立在经典的ORB-SLAM框架之上，采用一种新的动态特征检测方法，称为语义光流，充分利用隐藏在语义和几何信息中的动态特性，准确地去除前端提取到的动态目标特征点。利用SegNet生成逐像素语义分割结果作为语义光流中的掩码，计算可靠的基本矩阵，然后利用几何约束找到真正的动态特征点并过滤。在跟踪和优化模块中仅保留剩余的静态特征，以实现动态环境中准确的相机位姿估计。在TUM的RGB-D数据集和真实环境中进行了实验，与ORB-SLAM相比，在高动态场景中实现了98.49%的精度提升，优于四个经典动态视觉SLAM系统。更多还原

【Abstract】 The traditional slam framework adopts the assumption of static environment.How to deal with dynamic target interference is very important.This paper designs a visual semantic slam system for dynamic environment,which is based on the classical orb-slam framework and adopts a new dynamic feature detection method,called semantic optical flow,make full use of the dynamic characteristics hidden in semantic and geometric information to accurately remove the dynamic target feature points extracted from the front end.Experiments are carried out in the rgb-d dataset of tum and the real environment.Compared with orb-slam,the accuracy is improved by 98.49% in high dynamic scenes,which is better than four advanced dynamic vision slam systems.更多还原