中文标题：面向动态环境的巡检机器人轻量级语义视觉SLAM框架

英文标题：A Lightweight Semantic Visual Simultaneous Localization and Mapping Framework for Inspection Robots in Dynamic Environments

来源期刊：电子与信息学报

基金项目：国家自然科学基金(61803058)，重庆市城市管理局项目(城管科2022-34)，重庆市自然科学基金(CSTB2022NSCQ-MSX0340)

作  者：余浩扬² 李艳生¹ 肖凌励² 周继源²

作者单位：1. 重庆邮电大学人工智能学院(重邮科大讯飞人工智能学院) 重庆 400065
2. 重庆邮电大学集成电路学院(重庆国际半导体学院) 重庆 400065

摘  要：为提升巡检机器人在城市动态环境中的定位精度与鲁棒性，该文提出一种基于第3代定向快速与旋转简要同步定位与建图系统 (ORB-SLAM3)的轻量级语义视觉同步定位与建图(SLAM)框架。该框架通过紧耦合所提出的轻量级语义分割模型(DHSR-YOLOSeg)输出的语义信息，实现动态特征点的精准剔除与稳健跟踪，从而有效缓解动态目标干扰带来的特征漂移与建图误差累积问题。DHSR-YOLOSeg基于YOLO第11代轻量级分割模型(YOLOv11n-seg)架构，融合动态卷积模块(C3k2_DynamicConv)、轻量特征融合模块(DyCANet)与复用共享卷积分割(RSCS)头，在分割精度小幅提升的同时，有效降低了计算资源开销，整体展现出良好的轻量化与高效性。在COCO数据集上，相较于基础模型，DHSR-YOLOSeg实现参数量减少13.8%、十亿次浮点运算(GFLOPs)降低23.1%、平均精度指标(mAP50)提升约2%；在KITTI数据集上，DHSR-YOLOSeg相比其他主流分割模型及YOLO系列不同版本，在保持较高分割精度的同时，进一步压缩了模型参数量与计算开销，系统整体帧率得到有效提升。同时，所提语义SLAM系统通过动态特征点剔除有效提升了定位精度，平均轨迹误差相比ORB-SLAM3降低8.78%；在此基础上，系统平均每帧处理时间较主流方法如DS-SLAM和DynaSLAM分别降低约18.55%与41.83%。研究结果表明，该语义视觉SLAM框架兼具实时性与部署效率，显著提升了动态环境下的定位稳定性与感知能力。

全文链接： https://jeit.ac.cn/cn/article/doi/10.11999/JEIT250301