ACFR-RPG/DynOSAM

解決的問題

DynoSAM 解決了動態 SLAM（同時定位與地圖構建）的挑戰，其中機器人必須在追蹤移動物體運動的同時，估計自身的定位並建構環境地圖。傳統 SLAM 在動態環境中經常表現不佳，因為移動物體會干擾相機的位姿估計，進而導致地圖不準確。

工作原理

DynoSAM 使用立體或 RGB-D 視覺里程計流程來估計相機位姿、物體運動以及靜態背景。它採用模組化架構，包含前端用於資料處理，以及後端用於優化。

關鍵技術組件包括：

• 優化程序：支援完整批次、滑動視窗和增量式優化。
• 物件檢測：整合 YOLOv8 進行實例分割與追蹤，並透過 CUDA 和 TensorRT 加速。
• 追蹤：使用密集光流（RAFT）或稀疏 KLT 追蹤。
• 後端公式：提供多種運動估計模式，包括世界中心運動估計器（WCME）、世界中心位姿估計器（WCPE）以及混合公式。
• 整合：完全整合 ROS2 用於資料處理，並搭配 RVIZ 進行 3D 可視化。

適用對象

本專案專為從事視覺 SLAM、動態環境中自主導航以及具身智能的機器人研究人員與工程師設計。

主要特色

• 硬體加速：整合 CUDA 與 TensorRT，提升前端處理與物件檢測速度。
• 邊緣裝置支援：已在 NVIDIA ORIN NX（AARM64）上測試。
• 彈性後端：提供多種優化公式，可在速度與準確度之間取得平衡（例如：平行混合模式以追求速度）。
• 全面評估：內建腳本可重現論文結果並產生詳細指標（ATE、RPE）。
• IMU 支援：整合 GTSAM 以支援 IMU 預整合。