CAOS-SLAM: Class-Agnostic Object-Aware Real-Time vSLAM for Dynamic Environments

📄 arXiv: 2610.26633v1 📥 PDF

作者: Gaia Borghi, João Carlos Virgolino Soares, Angelo Bratta, Shahab Heshmati-Alamdari, Claudio Semini

分类: cs.RO

发布日期: 2026-10-19

💡 一句话要点

提出CAOS-SLAM以解决动态环境下vSLAM的鲁棒性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 动态环境 视觉SLAM 物体检测 实时处理 鲁棒性提升

📋 核心要点

  1. 现有的vSLAM方法在动态环境中容易受到移动物体的干扰，导致定位精度下降和地图重建错误。
  2. CAOS-SLAM通过混合感知管道实时检测和过滤已知及未知的动态物体，增强了vSLAM的鲁棒性。
  3. 实验结果显示，CAOS-SLAM在动态场景中定位误差显著降低，处理速度达到每秒30帧，表现优于现有方法。

📝 摘要（中文）

在动态环境中，鲁棒的视觉同时定位与地图构建(vSLAM)面临移动物体带来的挑战，这些物体可能引入错误观测，影响地图重建和定位精度。现有的vSLAM方法通常依赖于预定义的语义类别或昂贵的像素级分类，限制了其在现实场景中的适用性。本文提出CAOS-SLAM，一个动态vSLAM框架，扩展了ORB-SLAM3，采用混合感知管道实时检测、跟踪和过滤已知及未知的移动物体。通过按需全景分割进行物体发现，并通过深度聚类未分类区域来实例化候选未知物体。在全景更新之间，使用轻量级检测或基于世界坐标系卡尔曼预测、深度一致性和外观相似性的时间掩膜传播更新持久物体轨迹。估计的物体运动用于从SLAM管道中排除动态特征。实验结果表明，在多个动态RGB-D数据集和实际场景中，定位精度显著提高，尤其是在未知动态物体和严重遮挡场景中，定位误差降低了59%和88%。

🔬 方法详解

问题定义：本文旨在解决动态环境中vSLAM的鲁棒性问题，现有方法常因移动物体引入错误观测而导致定位精度下降和地图重建不准确。

核心思路：CAOS-SLAM通过引入混合感知管道，实时检测和跟踪动态物体，能够有效过滤干扰，提高SLAM系统在动态环境中的表现。

技术框架：CAOS-SLAM在ORB-SLAM3的基础上，采用按需全景分割进行物体发现，并通过深度聚类未分类区域来处理未知物体。系统包括物体检测、跟踪和动态特征排除等模块。

关键创新：该方法的核心创新在于能够同时处理已知和未知的动态物体，并通过轻量级检测和时间掩膜传播来更新物体轨迹，从而有效提升SLAM的鲁棒性。

关键设计：在设计中，采用了基于世界坐标系的卡尔曼预测、深度一致性和外观相似性来实现物体轨迹的更新，确保了动态特征的准确排除。实验中，系统在处理速度和定位精度上均表现出色。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CAOS-SLAM在多个动态RGB-D数据集上的实验结果显示，其定位误差在未知动态物体场景中降低了59%，在严重遮挡场景中降低了88%。此外，系统在笔记本电脑上的处理速度达到了每秒30帧，表现优于现有的动态vSLAM方法，展示了其在实时应用中的潜力。

🎯 应用场景

CAOS-SLAM的研究成果在动态环境下的感知、导航和运动规划等领域具有广泛的应用潜力。其鲁棒性和实时性能使其适用于自动驾驶、机器人导航和增强现实等场景，能够有效应对复杂的动态环境。未来，该技术有望推动智能系统在动态场景中的自主决策能力。

📄 摘要（原文）

Robust visual Simultaneous Localization and Mapping (vSLAM) in dynamic environments faces challenges due to the presence of moving objects that may introduce erroneous observations, corrupt the map reconstruction and overall degrade localization accuracy. Existing vSLAM approaches often rely on predefined semantic classes or costly pixel-wise classification, limiting their robustness or applicability in real-world scenarios. This paper presents CAOS-SLAM, a dynamic vSLAM framework that extends ORB-SLAM3 with a hybrid perception pipeline to detect, track, and filter both semantically known and previously unseen moving objects in real-time. On-demand panoptic segmentation is performed for object discovery, with candidate unknown objects instantiated through depth-based clustering of unclassified regions. Between panoptic updates, persistent object tracks are updated using lightweight detection when available or temporal mask propagation based on world-frame Kalman prediction, depth consistency, and appearance similarity. The estimated object motion is then used to reject dynamic features from the SLAM pipeline. Experimental results on multiple dynamic RGB-D datasets and real-world experiments demonstrate improved localization accuracy over state-of-the-art dynamic vSLAM approaches, achieving up to 59% lower localization error in scenes characterized by unknown dynamic objects and up to 88% lower error in heavily occluded scenes, while achieving a median processing rate of 30 FPS on a laptop. Furthermore, the tracking module provides estimates of object trajectories and velocities, supporting potential future applications in perception, navigation, and motion-planning tasks in dynamic environments. Code and dataset will be released upon acceptance.