NGD-SLAM: Towards Real-Time SLAM for Dynamic Environments without GPU

在动态环境下实现准确且鲁棒的摄像头跟踪对于视觉SLAM（同时定位与地图构建）来说是一个巨大的挑战。最近在这个领域取得的进展通常涉及使用深度学习技术生成动态物体的掩模，这通常需要GPU以实时（30fps）的方式运行。因此，本文提出了一种新颖的视觉SLAM系统，用于动态环境，在CPU上实现实时性能，其中包括一个掩模预测机制，该机制允许深度学习方法和摄像头跟踪以不同的频率完全并行运行，以便两者都不必等待另一个的结果。基于此，它进一步介绍了一种双阶段光流跟踪方法，并采用光流和ORB特征的混合使用，这显着提高了系统的效率和鲁棒性。与最先进的方法相比，该系统在动态环境中保持高定位精度，同时在单个笔记本电脑CPU上实现56fps的跟踪帧率，而不需要任何硬件加速，从而证明即使没有GPU支持，深度学习方法仍然可行于动态SLAM。据可得，这是第一个实现此目标的SLAM系统。

提高动态环境下视觉SLAM的准确性和实时性

在CPU上运行深度学习方法，实现动态SLAM的实时性，并通过光流跟踪和ORB特征的混合使用提高系统效率和鲁棒性

论文提出了一种新的动态SLAM系统，能够在单个笔记本CPU上实现56fps的跟踪帧率，而不需要任何硬件加速，同时保持高精度的定位。实验结果表明，这种深度学习方法即使没有GPU支持也仍然可行。

最近的相关研究包括：Dynamic Object-aware (DOA) SLAM, MaskFusion, DeepTIO等。