ACFR-RPG/DynOSAM

What it solves

DynoSAM 解决了 Dynamic SLAM (Simultaneous Localization and Mapping) 的挑战，即机器人必须在估计自身位置并绘制环境地图的同时，实时追踪移动物体的运动。

传统的 SLAM 往往在动态环境中表现不佳，因为移动物体可能会干扰摄像头的位姿估计，从而导致地图构建不准确。

How it works

DynoSAM 使用 Stereo 或 RGB-D Visual Odometry 流水线来估计相机位姿、物体运动以及静态背景。

它采用模块化架构，包含用于数据处理的前端和用于优化的后端。

关键技术组件包括：

• Optimization Procedures: 支持全量优化 (full-batch)、滑动窗口优化 (sliding-window) 和增量优化 (incremental optimization)。
• Object Detection: 集成了 YOLOv8 用于实例分割和追踪，并通过 CUDA 和 TensorRT 进行加速。
• Tracking: 使用稠密光流 (RAFT) 或稀疏 KLT 追踪。
• Backend Formulations: 提供多种运动估计模式，包括 World-Centric Motion Estimator (WCME)、World-Centric Pose Estimator (WCPE) 和 Hybrid 模式。
• Integration: 与 ROS2 完全集成，用于数据处理，并与 RVIZ 集成用于 3D 可视化。

Who it’s for

该项目专为从事视觉 SLAM、动态环境下的自主导航以及具身智能 (embodied intelligence) 研究的机器人研究人员和工程师设计。

Highlights

• Hardware Acceleration: 集成了 CUDA 和 TensorRT，以实现更快的端处理和物体检测。
• Edge Device Support: 已在 NVIDIA ORIN NX (AARM64) 上进行了测试。
• Flexible Backends: 提供多种优化公式，以平衡速度和精度（例如，用于提速的 Parallel Hybrid 模式）。
• Comprehensive Evaluation: 包含用于复现论文结果并生成详细指标 (ATE, RPE) 的内置脚本。
• IMU Support: 与 GTSAM 集成，用于 IMU 预积分。