Para melhorar a precisão da pose da câmera no SLAM RGB-D em cenários dinâmicos, foi proposta uma metodologia de SLAM RGB-D de alta precisão baseada em segmentação de instâncias e algoritmo de fluxo óptico. Primeiramente, objetos na cena são detectados por um algoritmo de segmentação de instâncias, removendo objetos não rígidos e construindo um mapa semântico. Em seguida, os resíduos de movimento são calculados a partir das informações do fluxo óptico para detectar objetos rígidos dinâmicos na cena, que são rastreados no mapa semântico. Depois, pontos característicos dinâmicos em objetos não rígidos e rígidos dinâmicos são removidos em cada quadro, otimizando a pose da câmera usando outros pontos estáveis. Por fim, o fundo estático é reconstruído pelo modelo TSDF e os objetos rígidos dinâmicos são exibidos na forma de nuvem de pontos. Testes nos conjuntos de dados TUM e Bonn mostraram que o método proposto melhora a precisão da câmera em cerca de 43% em comparação com o estado da arte SLAM ACEFusion. Os resultados dos experimentos de ablação indicam que a manutenção de pontos característicos em objetos rígidos dinâmicos em repouso melhora o resultado da estimativa da pose da câmera em cerca de 37%. Resultados do mapeamento denso mostraram que o método proposto supera trabalhos avançados na reconstrução em cenários dinâmicos, com erro médio de reconstrução de 0,042 m. O código está disponível em https://github.com/wawcg/dy_wcg.

cenários dinâmicos;localização e mapeamento simultâneos;segmentação de instâncias;fluxo óptico