A Stereo Visual SLAM System Using Object-Level Motion Estimation and Geometric Filtering Based on Cross Disparity

📄 arXiv: 2607.02005v1 📥 PDF

作者: Sujan Kumar Dhali, Bhaskar Dasgupta

分类: cs.RO, cs.CV

发布日期: 2026-07-02

备注: 10 pages, 12 figures, 6 tables,

💡 一句话要点

提出OCD SLAM以解决动态环境下视觉SLAM的挑战

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 视觉SLAM 动态环境 交叉视差 物体检测 卡尔曼滤波 动态特征 轨迹精度 机器人导航

📋 核心要点

  1. 现有视觉SLAM系统在动态环境中常因静态世界假设而无法有效处理移动物体，导致位姿估计和映射失败。
  2. 论文提出了一种新颖的几何方法，通过交叉视差来识别动态特征点，并结合3D物体检测与卡尔曼滤波进行物体级运动分类。
  3. 实验结果显示，OCD SLAM在KITTI数据集上显著提高了轨迹精度，相较于ORB-SLAM2有明显提升，且有效检测到动态特征。

📝 摘要（中文）

本文提出了一种动态立体视觉SLAM框架OCD SLAM，扩展了ORB-SLAM2，通过联合处理场景中的动态物体和动态特征来解决传统视觉SLAM在动态环境中面临的挑战。通常，视觉SLAM系统在动态环境中由于静态世界假设而无法有效进行位姿估计和映射。为了解决这一问题，本文引入了一种基于视差与新提出的“交叉视差”之间差异的几何方法，利用时间和立体不一致性来识别动态特征点。此外，OCD SLAM还集成了基于卡尔曼滤波的3D物体检测模块（SMOKE）进行物体级运动分类，从而实现静态和动态场景元素的有效分离，确保准确的位姿估计。实验结果表明，OCD SLAM在轨迹精度上显著优于ORB-SLAM2及其他几种先进的动态SLAM方法。

🔬 方法详解

问题定义：本文旨在解决传统视觉SLAM在动态环境中因静态世界假设导致的位姿估计和映射失败的问题。现有方法在处理移动物体时表现不佳，无法有效分离静态与动态场景元素。

核心思路：OCD SLAM通过引入“交叉视差”这一新概念，利用视差差异来识别动态特征点，结合3D物体检测和卡尔曼滤波进行物体级运动分类，从而实现动态与静态元素的有效分离。

技术框架：OCD SLAM的整体架构包括动态特征点识别模块、3D物体检测模块（SMOKE）和基于卡尔曼滤波的跟踪模块。首先，通过交叉视差识别动态特征点，然后进行物体检测和跟踪，最后进行位姿估计。

关键创新：最重要的创新在于引入了交叉视差的几何方法，能够有效识别动态特征点，克服了传统方法的局限性，显著提高了动态环境下的SLAM性能。

关键设计：在设计中，交叉视差的计算方法和卡尔曼滤波的参数设置是关键，确保了动态特征的准确检测和跟踪，具体的损失函数和网络结构细节在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，OCD SLAM在KITTI数据集上相较于ORB-SLAM2实现了显著的轨迹精度提升，具体提升幅度达到XX%（具体数据未知），并且在动态特征检测方面表现优于单独的3D物体检测方案。

🎯 应用场景

OCD SLAM的研究成果在自动驾驶、机器人导航和增强现实等领域具有广泛的应用潜力。通过提高动态环境下的位姿估计精度，该系统能够更好地支持实时决策和环境理解，推动相关技术的发展与应用。

📄 摘要（原文）

This paper presents OCD SLAM, a dynamic stereo visual SLAM framework that extends ORB-SLAM2 by jointly addressing dynamic objects and dynamic features in the scene. Usual visual SLAM systems operating in dynamic environments often fail in the presence of moving objects, due to the static-world assumption used in pose estimation and mapping. To address this predicament, we introduce a novel geometric approach based on the discrepancy between disparity and a newly proposed notion called ``cross disparity'', which exploits both temporal and stereo inconsistency to identify dynamic feature points. Complementary to this feature-level motion analysis, OCD SLAM integrates a 3D object detection module (SMOKE) with Kalman filter-based object tracking to perform object-level motion classification, enabling robust separation of static and dynamic scene elements for accurate pose estimation. The proposed approach has been evaluated on various sequences from the KITTI Odometry and KITTI Raw datasets. Results demonstrate that OCD SLAM achieves significant improvement in trajectory accuracy compared to ORB-SLAM2 and several state-of-the-art dynamic SLAM methods. Ablation studies further demonstrate the effectiveness of the cross disparity module in the KITTI Raw dataset and show that this method is able to detect dynamic features that are missed by the 3D object detection scheme alone.