导语

在静态假设下，SLAM（Simultaneous Localization and Mapping）系统已经能在许多室内外场景中稳定工作。但真实环境中的移动机器人面对的往往是行人、车辆、移动设备等动态物体，这些物体会在传感器视野中反复出现与消失，破坏传统 SLAM 所依赖的“环境静止”前提。语义 SLAM 通过引入物体类别信息，为区分静态结构与动态目标提供了新的可能，而如何在动态场景中设计合理的地图更新策略，则成为系统能否长期稳定运行的关键。本文围绕这一主题，梳理问题背景、策略思路与工程权衡。

一、为什么动态场景会破坏传统地图更新

传统 SLAM 的地图更新通常建立在两个隐含假设之上：

• 静态假设：环境中大部分结构在观测期间保持不变，地图可以持续累积观测。
• 数据关联一致性：同一地图点在不同时刻的观测可以稳定匹配。

动态物体带来的直接后果是：

1. 错误数据关联：行人走过时产生的点云或特征点被误认为静态地图的一部分，导致地图中出现“鬼影”或重复结构。
2. 位姿估计漂移：动态特征参与位姿优化时，会引入与真实运动不一致的约束，造成轨迹漂移。
3. 地图污染累积：一旦动态观测被写入长期地图，后续更新会持续受到污染，且难以自动恢复。

因此，动态场景下的地图更新策略，本质上要回答三个问题：哪些观测应被写入地图、哪些应被抑制、已写入的错误信息如何被修正。

二、语义信息在动态 SLAM 中的角色

语义 SLAM 的核心思路，是在几何信息之外引入物体类别与实例信息，从而对观测进行“语义分层”。常见做法包括：

• 先验动态类别过滤：将人、车辆、动物等类别标记为高动态先验，在特征提取或地图更新阶段降低其权重或直接剔除。
• 实例级一致性检验：对同一语义实例的多次观测进行几何一致性检查，判断其是否发生整体位移。
• 语义辅助数据关联：利用类别标签缩小匹配搜索范围，减少动态物体与静态结构之间的误匹配。

需要强调的是，语义分割本身存在误差，类别先验也并非绝对可靠。例如被移动的椅子、被推走的推车，其类别可能属于“家具”而非“行人”，但同样会破坏静态假设。因此，语义信息更适合作为概率性证据，而非硬性开关。

三、地图更新策略的分层设计

结合工程实践，动态场景语义 SLAM 的地图更新可以按“观测—短期地图—长期地图”分层处理。

1. 观测层：动态感知与置信度标注

在每一帧观测中，为特征点或体素赋予动态置信度，来源可包括：

• 语义类别先验；
• 多帧几何一致性（如重投影误差、深度一致性）；
• 光流或场景流估计；
• 实例跟踪的位移判断。

观测层的目标不是立即删除动态点，而是标注其可信程度，为后续更新提供依据。

2. 短期地图层：滑动窗口内的动态管理

短期地图（如局部滑窗、局部子图）承担高频更新任务。策略上可以：

• 对高动态置信度的观测延迟写入，等待多帧确认；
• 对已确认的动态实例，从局部地图中移除其对应观测；
• 保留低置信度观测，但降低其在优化中的权重。

这一层的核心是快速响应，避免动态信息在局部优化中造成即时漂移。

3. 长期地图层：保守写入与渐进修正

长期地图（全局地图、语义地图、拓扑地图）应遵循保守写入原则：

• 只有经过多帧、多视角一致性验证的观测才写入长期地图；
• 对长期地图中的可疑区域，保留“可修正”的数据结构，例如带时间戳或观测计数的地图元素；
• 当后续观测与已有地图冲突时，触发局部重评估而非全局重建。

依据现有素材判断，长期地图的更新频率应显著低于短期地图，以换取稳定性。

四、关键权衡与工程注意事项

1. 动态剔除与地图完整性的权衡

过度剔除会丢失真实静态结构（如被行人短暂遮挡的墙面），导致地图空洞；剔除不足则引入污染。实践中常采用置信度阈值 + 多帧确认的折中方案。

2. 语义误差的传播

语义分割错误可能将静态结构误判为动态，或将动态物体误判为静态。建议将语义结果与几何一致性结合，避免单一信息源主导决策。

3. 计算开销与实时性

实例级跟踪与多帧一致性检验会带来额外计算负担。移动机器人平台通常需要在更新频率、地图精度与算力预算之间做取舍，例如仅在关键帧上执行完整语义更新。

4. 地图版本与回滚

动态场景中，错误更新难以完全避免。为长期地图设计版本化或可回滚机制，有助于在发现污染后快速恢复，而不必重建整张地图。

五、趋势判断

结合当前技术发展方向，可以观察到几个趋势：

• 语义与几何深度融合：语义不再仅作为后处理过滤，而是参与前端跟踪与后端优化的联合建模。
• 实例级地图表示：以物体实例为单位组织地图，使动态物体的增删改更加自然。
• 学习型动态感知：利用学习模型估计场景流与动态概率，弥补纯几何方法的不足。
• 长期自治中的地图维护：面向长时间运行的机器人，地图更新从“一次性构建”转向“持续维护”。

结论

动态场景语义 SLAM 的地图更新策略，核心在于用语义与几何的多重证据，对观测进行分层置信度管理，并在短期地图的快速响应与长期地图的保守稳定之间取得平衡。语义信息提供了区分动态与静态的重要线索，但其不确定性要求系统以概率化、可修正的方式使用这些线索。对于移动机器人而言，一套好的地图更新策略，不仅要“记得住”静态环境，更要“忘得掉”动态干扰，并能在出错后自我修正。这将是语义 SLAM 走向长期自治的关键一步。

生成标记：本文由 ITPUB 文章生成平台基于已选素材整理生成。