视觉 SLAM 动态物体干扰？动态特征点剔除实测

机器人在人来人往的大厅里跑 SLAM，轨迹漂得厉害，复盘发现不是传感器问题，是行人身上的特征点被当成了静态路标。我们试了几种动态剔除方法，效果差别不小。

一、极线约束筛一遍最省事。对前后两帧做对极几何校验，不满足对极约束的点大概率是动点，直接剔除。优点是零成本，缺点是相机本身也在动，纯旋转时约束会退化，容易误删。

二、语义分割加掩码最稳。用轻量分割模型把行人、车辆这类动态类别框出来，特征提取时直接跳过这些区域。实测下来轨迹误差降了约 60%，代价是每帧多 15ms 推理，低算力平台要权衡。

三、多帧一致性检查适合补漏。单个点在连续 5 帧里都出现且位置稳定，才认为是静态点；只出现一两帧就消失的点直接丢弃。这个方法对偶尔遮挡的静态点有点误伤，但对付突然闯入的行人很有效。

四、动态点别全扔，可以留作他用。被剔除的动态点轨迹其实就是行人的运动轨迹，我们后来把它接到避障层，相当于白送了一个行人跟踪，导航的急停次数反而少了。

大家在动态环境跑视觉 SLAM 时，动态剔除用的是几何方法、语义方法还是两者结合？有没有因为误剔静态点导致定位丢了的教训？

动态物体干扰下，极线约束便宜但纯旋转易误删；语义掩码稳但吃算力；多帧一致性适合补漏。动态点不必全扔，轨迹可喂给避障层。实测时同时看轨迹误差与误删静态点的比例，避免「轨迹好看但地图变稀」。低算力平台可把语义降到关键区域或降帧，而不是关剔除。大厅行人场景建议三者组合并做遮挡用例回归。