摘要
目前,基于深度学习的SLAM技术获得极大发展,成为当下SLAM技术重大发展方向之一。在实际动态场景中,由于不同类型的深度学习SLAM算法的图像分割方法不同,对动态和静态特征点的处理方式也不同。因此,本文基于目标检测,实例分割和语义分割3种不同类型的深度学习SLAM算法,对TUM数据集进行轨迹绘制和分析。通过数据对比,目标检测算法容易受到相机位姿带来的影响,但在低动态场景的性能优异。语义分割算法能够提供详细的环境信息,然而在动态对象速度过快时,算法准确性显著下降。实例分割算法整体准确性优秀但是图像分析耗时长,在模糊图像处理上容易造成跟踪丢失。该研究结果为不同应用领域选择合适类型的深度学习SLAM算法提供科学依据。
