| 现场环境 |
在室内动态环境中，使用RGB-D相机进行视觉SLAM建图，适用于机器人导航、无人机巡检等场景。 |
| 使用对象 |
室内环境中的动态物体（移动的人、车辆等）和静态物体（家具、墙壁等） |
| 使用目的 |
通过精准检测和剔除动态特征点，提高视觉SLAM系统在动态环境中的建图精度和位姿估计准确性。 |
| 硬件配置 |
CPU：Intel(R) Core i7-12700H 2.30GHz；GPU：NVIDIA GeForce RTX 3070Ti Laptop；内存：8GB；操作系统：Ubuntu 20.04。 |
| 硬件兼容 |
无
|
| 软件配置 |
操作系统：Ubuntu 20.04；依赖库：PyTorch 1.8.1；编程语言：Python 3.8。 |
| 软件兼容 |
无
|
| 输入数据 |
RGB-D图像帧，分辨率640×480像素。 |
| 输出数据 |
相机位姿、稠密点云地图、动态物体检测结果。 |
| 样本获取 |
在TUM数据集和Bonn数据集上进行实验，包含低动态和高动态场景的6组数据集。 |
| 测试结果 |
在TUM数据集上，LDF-SLAM的绝对轨迹误差的均方根误差(RMSE)相比ORB-SLAM3降低了44.5% - 95.9%；在Bonn数据集上，RMSE降低了18.18% - 98.99%。 |
| 执行速度 |
检测速度为19.1ms/次。 |
| 资源消耗 |
在上述硬件配置下，CPU平均占用率约70%，GPU平均占用率约80%，内存使用量约5GB。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式进行授权。 |
| 文件大小 |
算法程序文件约50K，权重文件约120M。 |
| 相关备注 |
无 |
