동적 장면 RGB-D SLAM에서 카메라 자세 정확도를 향상시키기 위해 인스턴스 분할과 광류 알고리즘을 기반으로 한 고정밀 RGB-D SLAM 방법을 제안한다. 먼저 인스턴스 분할 알고리즘을 통해 장면 내 객체를 감지하고, 비강체 객체를 제거하여 의미 지도(semantic map)를 구성한다. 이후 광류 정보를 통해 운동 잔차를 계산하고, 장면 내 동적 강체 객체를 검출하며 의미 지도에서 이 동적 강체 객체들을 추적한다. 다음으로 각 프레임에서 비강체 객체 및 동적 강체 객체의 동적 특징점을 제거하고, 다른 안정적인 특징점을 이용해 카메라 자세를 최적화한다. 마지막으로 TSDF 모델을 통해 정적 배경을 재구성하며, 점군(point cloud) 형태로 동적 강체 객체를 표시한다. TUM 및 Bonn 데이터셋에서의 테스트 결과, 본 방법은 최신 SLAM 연구인 ACEFusion 대비 카메라 정확도가 약 43% 향상됨을 보였다. 소거 실험 결과, 동적 강체 객체가 정지 상태일 때 그 특징점을 유지하면 카메라 자세 추정 결과가 약 37% 향상됨을 확인하였다. 조밀한 지도 작성 실험에서 본 방법은 동적 장면 재구성에서 최신 연구보다 우수한 결과를 나타내었으며, 평균 재구성 오차는 0.042 m였다. 코드는 https://github.com/wawcg/dy_wcg 에 공개되어 있다.

동적 장면;동시 위치추정 및 지도작성;인스턴스 분할;광류