本文档是一篇发表于IEEE Transactions on Instrumentation and Measurement期刊（2025年，第74卷）的学术论文，题为“MSSD-SLAM: Multifeature Semantic RGB-D Inertial SLAM with Structural Regularity for Dynamic Environments”。作者团队包括Yanan Wang, Yaobin Tian, Jiawei Chen, Cheng Chen, Kun Xu, Xilun Ding，均来自Beihang University (BUAA)的机械工程及自动化学院机器人研究所。论文报告了一项关于动态环境下视觉-惯性SLAM（Simultaneous Localization and Mapping, 即时定位与地图构建）系统的原创性研究。以下是对该研究的学术报告。

学术报告：面向动态结构环境的MSSD-SLAM系统研究

一、 研究团队、发表信息与学术背景

本研究由北京航空航天大学（Beihang University）机器人研究所的王亚南、田耀斌、陈佳伟、陈成、徐坤、丁希仑团队完成，发表于仪器与测量领域的权威期刊《IEEE Transactions on Instrumentation and Measurement》2025年第74卷。

研究的核心科学领域是机器人感知与导航，具体聚焦于动态环境下的视觉-惯性SLAM技术。在现实世界中，如室内服务机器人、自动驾驶等应用场景普遍存在运动物体（行人、车辆等），而传统的视觉SLAM方法（如ORB-SLAM系列、VINS-Mono）通常假设环境是完全静态的，并且依赖丰富的纹理特征。这使得它们在动态、低纹理（如纯色墙壁的走廊）环境中面临严峻挑战：一方面，动态物体上的特征点会导致定位估计出现严重偏差；另一方面，简单地移除这些动态特征点又会加剧特征稀疏性问题，可能导致跟踪失败。

为解决上述局限性，近年来出现了两类主流方法：几何方法（利用多视图几何、惯性测量单元 IMU 约束等检测动态性）和语义方法（利用深度学习进行语义分割，识别并剔除特定类别的动态物体）。然而，几何方法缺乏语义先验，难以处理暂时静止的动态物体；而语义方法则受限于预训练模型的识别范围，无法处理未训练过的动态物体（如移动的箱子），且单纯依赖特征点在高动态、低纹理场景下鲁棒性不足。

基于此背景，本研究团队提出了一种名为 MSSD-SLAM（Multi-feature Semantic RGB-D Inertial SLAM）的新型SLAM系统。其主要研究目标是：通过整合点、线、面多种几何特征，结合语义信息、环境结构约束（Manhattan World Assumption, 曼哈顿世界假设） 以及IMU（Inertial Measurement Unit, 惯性测量单元）数据，构建一个能够在高度动态且纹理匮乏的室内结构化环境中，实现高精度、高鲁棒性定位与静态地图构建的系统。

二、 研究工作的详细流程与方法

MSSD-SLAM的系统框架是一个综合性的处理流程（如原文图2所示），主要包含特征提取与处理、动态滤波、状态估计与优化、地图构建及回环检测等模块。其工作流程可详细阐述如下：

1. 多特征提取与结构化约束嵌入：

   • 研究对象与处理： 系统以RGB图像、深度图像和IMU数据流作为输入。
   • 具体实验/操作：
     • 特征提取： 从RGB和深度图像中并行提取点特征（ORB特征）、线特征和面特征（使用凝聚层次聚类方法 Agglomerative Hierarchical Clustering）。空间线特征采用Plücker坐标表示，面特征采用Hesse法向量形式表示。
     • 结构正则化（Structural Regularity）： 这是本研究的核心创新点之一。研究假设室内环境符合曼哈顿世界（Manhattan World）模型，即场景中存在三个互相垂直的主方向（通常与重力方向对齐）。系统首先从多帧观测中构造3D线、面特征，然后利用IMU初始化得到的重力方向，通过流形约束均值漂移算法估算出当前帧中的曼哈顿世界坐标系（MWF）。
     • 特征约束： 计算每个线特征的方向向量与MWF三个主方向的夹角。若夹角小于阈值，则该线被归类为结构化线，其表示被简化为与该主方向平行，从而减少了参数自由度。类似地，面特征的法向量若与某个主方向接近，则被归类为结构化面。这一步骤在3D空间进行，避免了在2D图像层面因动态物体遮挡导致的结构检测失败，从而保证了几何一致性，并为相机位姿估计提供了更强的约束。

2. 多源信息融合的动态滤波器（Dynamic Filter）开发与运行：

   • 研究对象： 每一帧图像中提取的所有特征点（及其对应的地图点）。
   • 具体实验/操作： 动态滤波器是本研究最重要的贡献。它旨在综合利用多种信息来源，精确计算每个地图点（特征）属于动态物体的概率。该滤波器采用渐进更新策略，分为短期动态检测和长期动态检测两个阶段。
     • 短期动态概率计算（基于相邻帧）：
       • 语义分割模块： 使用DeepLab v3网络进行实时语义分割（在Pascal VOC数据集上训练）。对于被识别为“人”等动态类别的区域内的特征点，结合其与相邻帧间静态特征平均运动的速度差（距离误差和角度误差），通过Sigmoid函数计算动态概率 (p_{seg})。
       • 结构约束模块： 利用估计出的MWF，可以计算仅依赖旋转的基础矩阵。对于静态点，应满足对极几何约束。计算特征点到其对极线的距离，距离越大，动态概率 (p_{mwf}) 越高。此模块对语义网络无法识别的动态物体有效。
       • IMU观测模块： 利用IMU预积分得到的、不受环境动态影响的相机位姿估计，将地图点投影到当前帧。计算重投影误差，误差越大，动态概率 (p_{imu}) 越高。此模块在MWF检测失败或高动态遮挡场景下尤为重要。
     • 长期动态概率计算（基于多关键帧）： 短期检测可能漏检“暂时静止”的动态物体。为此，系统引入共视关键帧投影检查。选取与当前关键帧共视程度最高的M个一级共视关键帧和N个二级共视关键帧。对当前帧的每个地图点，进行前向投影（投影到其他共视关键帧）和后向投影（将其他共视帧的地图点投影到当前帧），计算投影点与匹配点之间的平均距离误差，并转换为动态概率 (p_{proj})。
     • 动态概率融合与更新： 将上述四个来源的动态概率 ((p{seg}, p{mwf}, p{imu}, p{proj})) 视为观测，使用二元贝叶斯滤波器对每个地图点的动态状态置信度（对数几率形式）进行迭代更新。最终，动态概率 (p_{final}) 超过设定阈值的特征点被标记为动态异常点，在后续优化中被剔除或赋予低权重；低于阈值的则作为静态特征参与计算，其动态概率的倒数将作为后端优化时的权重。

3. 状态估计、优化与地图构建：

   • 研究对象： 经过动态滤波筛选后的静态特征点、线、面。
   • 具体实验/操作：
     • 前端跟踪与局部优化： 利用静态特征进行相机位姿的初步估计。在局部建图线程中，构建包含点、线、面重投影误差项的代价函数，并结合IMU预积分约束，进行局部束调整。其中，特征的优化权重由其动态滤波器计算出的静态置信度决定。
     • 地图构建： 使用静态的特征构建包含3D点、结构化/非结构化线、结构化/非结构化面的稠密语义地图。
     • 回环检测与全局优化： 系统包含回环检测模块。当检测到回环时，进行全局束调整，以修正累积漂移，确保地图的长期一致性和全局精度。

4. 数据工作流与实验验证：

   • 数据分析方法： 系统性能通过绝对轨迹误差和相对位姿误差的均方根误差进行定量评估。
   • 实验设计： 研究在两个数据集上进行了验证：
     • 公开数据集： TUM RGB-D动态数据集，包含“坐姿”和“行走”序列。
     • 自采数据集： 在配备高精度运动捕捉系统的房间内，使用手持Realsense D455相机和移动机器人平台采集了多组序列。这些序列动态程度各异，包括不同人数行走、推动椅子、搬运箱子（语义网络未训练类别）等复杂场景，时长和轨迹长度均超过TUM数据集，挑战性更大。
   • 对比与消融实验： 将MSSD-SLAM与多个前沿动态SLAM算法（ORB-SLAM3, DS-SLAM, SG-SLAM, Dynamic-VINS, DynaVINS, DRG-SLAM等）进行了全面对比。同时，设置了系统的消融实验，分别移除了线面特征模块和动态滤波器模块，以评估各组成部分的贡献。还对动态滤波器内部不同模块（语义、结构、IMU、投影）单独使用及组合使用的效果进行了深入分析。

三、 主要研究结果

1. 在TUM数据集上的结果： MSSD-SLAM在所有动态行走序列上都取得了最佳性能。例如，其定位精度相比ORB-SLAM3平均提升了92%。消融实验表明，移除动态滤波器会导致轨迹误差显著增大，而移除线面特征也会导致精度下降，验证了这两个核心设计的必要性。针对动态滤波器内部的消融实验显示，单独使用语义模块效果最好，但任何单一模块的性能都远低于多模块融合的完整动态滤波器。例如，同时使用结构约束和投影模块（即移除语义模块）的精度，比单独使用其中任何一个模块高出39%和67%。

2. 在自采数据集上的结果： MSSD-SLAM在更具挑战性的真实场景中展现了卓越的鲁棒性和准确性。

   • 手持数据集： 在包含未识别物体（箱子）的高动态序列（如hold_box_6）中，MSSD-SLAM是唯一能稳定跟踪并保持高精度的算法。其平均RMSE比ORB-SLAM3降低了76%。
   • 移动机器人数据集： 在机器人视角低、特征更稀疏的场景下，MSSD-SLAM的优势更加明显，平均RMSE比ORB-SLAM3降低了82%。
   • 轨迹与误差分析： 可视化结果表明（如原文图7，8），MSSD-SLAM的估计轨迹与真实轨迹吻合度最高，误差分布更集中，异常值极少。而其他方法在动态干扰下出现明显漂移，误差分布更分散。
   • 消融实验的量化结果： 在自采数据集上，移除线面特征导致平均误差上升了88%（手持）和68%（机器人）；移除整个动态滤波器则导致误差激增了11倍（手持）和6倍（机器人），这强有力地证明了所提出的多特征融合与动态滤波器对于系统在极端动态环境下生存的至关重要性。动态滤波器内部模块的消融分析进一步证实，多源信息融合的策略显著优于依赖单一信息源。

3. 算法效率分析： 在配备RTX 2060 GPU的平台上，MSSD-SLAM平均每帧总跟踪时间为70.9毫秒，达到了近实时性能。其中，特征提取（41.3 ms）和语义分割（46.9 ms）是主要耗时环节。虽然总耗时高于DS-SLAM（51.3 ms），但比其前代工作DRG-SLAM（115.5 ms）效率提升了38%，在显著提升性能的同时控制了计算开销。

4. 参数敏感性分析： 论文通过实验确定了动态滤波器中关键参数（距离阈值 (d{th})、角度阈值 (\theta{th})、IMU重投影误差阈值 (r_{th})）的最优组合（3, 2, 2），为该方法的实际应用提供了参数调优指导。

四、 研究结论与意义

本研究成功提出并验证了MSSD-SLAM系统，得出结论：通过整合点、线、面多类特征，并创新性地设计一个融合语义分割、环境结构约束、IMU观测以及多关键帧投影信息的动态滤波器，能够有效解决动态、低纹理室内环境下的SLAM难题。

该研究的科学价值在于：它超越了传统动态SLAM方法中“几何”与“语义”的简单二分法，提出了一种多层次、多传感器、多特征融合的协同感知与状态估计框架。特别是“在3D空间施加结构约束”和“基于贝叶斯更新的多源动态概率融合”这两个核心思路，为动态SLAM的研究提供了新的方法论。

其应用价值十分显著：MSSD-SLAM在包含未知动态物体、严重遮挡、纹理匮乏的复杂真实场景中，展现了远超现有技术的定位精度和系统鲁棒性。这对于推动服务机器人、AR/VR、自动化巡检等需要在非受控动态环境中可靠运行的智能系统落地，具有重要的工程实践意义。

五、 研究亮点

1. 新颖的动态滤波器设计： 这是本研究最突出的亮点。它不再是简单的“检测-剔除”逻辑，而是一个持续评估特征动态置信度的概率框架。巧妙地将短期一致性检查（语义、结构、IMU）与长期运动一致性验证（多帧投影）相结合，既能快速响应运动物体，又能识别暂时静止的动态目标，并对深度学习模型未覆盖的物体具有处理能力。
2. 基于结构正则化的多特征SLAM： 创造性地在3D空间（而非2D图像）对线和面特征施加曼哈顿世界约束，避免了动态物体对结构检测的干扰，增强了系统在低纹理场景下的几何约束和位姿估计精度，同时构建了富含结构化信息的地图。
3. 卓越的性能验证： 不仅在标准数据集上表现优异，更重要的是在精心设计的、更具挑战性的自采数据集上进行了全面、严格的测试。特别是包含了“搬运箱子”这类语义不可知但几何动态的物体，充分证明了算法在“开放世界”动态环境中的实用性和泛化能力。定量结果显示其定位精度相对主流方法有数量级上的提升。
4. 系统化的消融研究与分析： 论文进行了极其详尽的消融实验，从移除整个模块到分析动态滤波器内部组件的不同组合，层层递进地揭示了每个技术贡献的具体效果和必要性，使研究工作非常扎实、可信。

六、 其他有价值内容

论文在最后展望了未来工作方向，包括：进一步提升算法效率（如采用更轻量级的特征提取和分割网络）、扩展系统能力以实现动态物体的跟踪与运动预测、以及构建物体级语义地图以增强机器人对场景的理解和交互能力。这些方向指出了该研究领域后续有价值的发展路径。