面向动态场景的鲁棒视觉SLAM，其核心挑战在于如何区分并剔除场景中的动态物体（如移动的车辆、行人），以确保SLAM系统基于静态的、永久的环境结构进行定位和建图。
以下是当前主流和前沿的技术方法，它们构成了一个多层次、由简到繁的“防火墙”来剔除动态干扰。
一、 几何与运动一致性方法
这类方法基于一个核心假设：动态物体上的点，其运动模式与背景静态点的运动模式（即相机自身的运动）不一致。
-
多视图几何约束
-
核心思想：利用对极几何、本质矩阵或单应矩阵等几何约束，来检测违反这些约束的特征点。
-
如何工作：
-
在连续两帧或多帧图像间追踪特征点。
-
根据估计的相机位姿（或使用RANSAC稳健地估计基础矩阵），计算一个几何模型。
-
计算每个特征点的重投影误差。如果一个特征点的实际位置与模型预测的位置偏差很大，它就被标记为“异常点”，很可能是动态点。
-
-
优点：无需先验知识，是传统SLAM系统的标准模块。
-
缺点：对于与相机运动方向相似的动态物体（如在前方同向行驶的车辆）不敏感；对于暂时静止的物体（如等红灯的车辆）无效。
-
-
语义分割引导的几何验证
-
核心思想：将深度学习语义分割与传统几何验证相结合，实现“强强联合”。
-
如何工作：
-
步骤一（语义先验）：使用轻量化的实时语义分割网络（如SegNet, BiSeNet）对当前图像进行分割，识别出可能为动态的物体类别，如“人”、“车”、“猫”、“狗”等。这些区域内的特征点被标记为“动态候选点”。
-
步骤二（几何验证）：对这些“动态候选点”应用严格的多视图几何检查。只有那些确实违反了几何约束的点才会被最终剔除。
-
这个流程也常被反过来用：先用几何方法找出异常点，再用语义信息来验证和辅助决策。
-
-
优点：极大地减少了误剔除（将静态点错判为动态）的风险。例如，一辆停着的车（语义上是动态类别，但几何上是静态的）不会被轻易剔除，保证了地图的完整性。
-
缺点：计算开销较大，需要同时运行SLAM和分割网络。
-
二、 深度学习与光流方法
这类方法直接利用深度学习模型来感知物体的运动或动态属性。
-
实例分割与运动一致性
-
这是上述“语义分割引导”方法的升级版。它不仅识别类别，还为每个动态物体分配一个独立的实例ID。
-
如何工作：
-
对图像进行实例分割，得到每个“车辆”、“行人”的独立掩码。
-
计算稠密光流场，表示每个像素的运动。
-
分析每个实例掩码内的光流。如果该实例内部的光流模式是一致的，且与背景（全局）光流模式显著不同，则该实例被判定为动态物体，其内部所有特征点都被剔除。
-
-
优点：能够精确地剔除整个运动物体，而不仅仅是零散的特征点。
-
-
基于深度学习的动态区域检测
-
核心思想：训练一个端到端的神经网络，直接输入连续图像帧，输出一个“动态/静态”二值掩码。
-
如何工作：网络可以同时利用表观信息（语义）和运动信息（光流）作为输入，学习一个更复杂的动态性判断函数。这种方法不依赖于严格的几何模型，能处理更复杂的运动。
-
优点：潜力巨大，能学习到数据中隐含的复杂模式。
-
缺点：需要大量标注数据（动态/静态像素级标签）进行训练，泛化能力是关键挑战。
-
三、 多模型优化与地图融合方法
这类方法在SLAM系统的后端进行更高级的推理，将动态性判断作为一个全局优化问题。
-
语义八叉树地图
-
核心思想：在构建的3D地图中，不仅存储几何信息，还为每个体素（3D像素）存储语义信息和稳定性信息。
-
如何工作：
-
当一个3D地图点被多次从不同视角观测到时，如果它始终位于“动态”语义类别上，但其3D位置却长期稳定，系统可以逐渐提高其“静态置信度”，并将其保留在地图中。
-
反之，如果一个点被观测到在连续帧中发生了3D位置移动，即使其语义类别不明确，也会被标记为动态并剔除。
-
-
优点：能够处理“暂时静止的动态物体”，并随着时间的推移建立更鲁棒的静态地图。
-
-
对象级SLAM
-
核心思想：这是最前沿的思路，不再简单地将动态物体“剔除”，而是将它们建模为独立的、可移动的物体。
-
如何工作：
-
系统同时估计相机自身的位姿、静态背景地图以及每个动态物体的位姿和运动轨迹。
-
这通常需要将场景解耦为静态背景和多个动态物体，并为每个部分分别进行运动估计和建模。
-
-
优点：不仅能消除干扰，还能理解和预测场景中其他智能体的行为，对于自动驾驶等高阶应用至关重要。
-
缺点：计算极其复杂，是SLAM领域的顶级挑战之一。
-
技术总结与对比
| 方法类别 | 核心原理 | 优点 | 缺点 |
|---|---|---|---|
| 多视图几何 | 动态点违反几何约束 | 无需训练，简单快速 | 对纯旋转、相似运动不敏感，对静止物体无效 |
| 语义+几何 | 先用语义找候选，再用几何验证 | 精度高，误剔除少，是目前的主流 | 计算开销大，依赖分割网络精度 |
| 实例+光流 | 实例内光流一致性 | 能整体剔除运动物体 | 对遮挡和快速运动敏感，计算成本高 |
| 深度学习端到端 | 网络直接预测动态区域 | 潜力大，可处理复杂情况 | 需要大量标注数据，泛化能力待验证 |
| 对象级SLAM | 分别估计相机、静态背景、动态物体运动 | 功能最强大，能理解场景 | 计算极其复杂，仍处于研究前沿 |
结论
面向动态场景的鲁棒视觉SLAM，已经从单纯依靠几何，发展到 “几何 + 语义”深度融合的技术范式。当前最有效且在工程上最可行的方案是语义分割引导的几何验证。
未来的趋势是：
-
更轻量、更快速的语义理解模型，使其能无缝集成到实时SLAM系统中。
-
时序信息的深度利用，通过多帧信息来判断物体的动态性，解决“暂时静止”的难题。
-
向对象级SLAM演进，从被动地“剔除干扰”转向主动地“理解与交互”，构建一个包含静态结构和动态实体的、真正意义上的环境时空模型。
通过这套多层次的技术组合，视觉SLAM系统才能在城市街道等充满动态元素的复杂环境中，构建出稳定、可靠的“空间记忆”。
