ConsInv

动态环境中的视觉SLAM-同时定位和映射-通常依赖于识别和屏蔽移动对象上的图像特征，以防止它们对性能产生负面影响。当前的方法是次优的: 它们要么在需要时无法屏蔽对象，要么相反，不必要地屏蔽对象。因此，我们提出了一种新颖的SLAM，该SLAM可以学习何时屏蔽对象可以在动态场景中提高其性能。给定一种分割对象的方法和一个SLAM，我们赋予后者时间掩蔽的能力，即推断何时应掩蔽某些类别的对象以最大化任何给定的SLAM度量。我们对运动没有任何先验: 我们的方法学会自己掩盖运动物体。为了防止高注释成本，我们创建了一种用于自我监督培训的自动注释方法。我们构建了一个名为ConsInv的新数据集，其中包括分别在室内和室外具有挑战性的现实世界动态序列。我们的方法在TUM rgb-d数据集上达到了最新水平，在KITTI和ConsInv数据集上优于它。