1. 這篇文章希望解決什么問題？

服務機器人、巡檢機器人、自動駕駛車輛等SLAM應用，需要進行長時間的定位和導航，但是可能會遇到很多光照變化（甚至天氣季節(jié)變化）、不同視角提取的不同特征、原先場景的目標已經(jīng)移除等等很多的環(huán)境變化問題，如果處理不好的話很容易引發(fā)軌跡漂移甚至跟蹤丟失。

作者認為，產(chǎn)生這種問題的關鍵在于，現(xiàn)有的視覺SLAM方法依賴于低級的特征描述子。這些特征描述子對環(huán)境變化不魯棒，并導致地圖尺寸過大，不利于機器人的長期部署。也有一些SLAM方案使用語義信息來輔助定位，但主要面向短期定位導航過程。

2. 具體原理是什么？

ObVi-SLAM希望同時利用上述兩種方法的優(yōu)點，首先利用低級視覺特征來做高質(zhì)量的短時VO。然后為了保證全局的長期一致性，構建一個不確定感知的持久目標的長期地圖，并在每次部署后進行更新。

具體來說，ObVi-SLAM實際是利用環(huán)境中靜態(tài)物體的長期地圖來做輔助定位，因為目標檢測是對外觀不敏感的，所以ObVi-SLAM也就可以對環(huán)境變化有魯棒性。同時每個語義目標都會計算不確定性，隨時間推移進行更新。

3. 和其他SOTA方法對比如何？

ObVi-SLAM在兩個月內(nèi)收集室外不同時間的16組數(shù)據(jù)，估計Lifelong軌跡的穩(wěn)定性，可以發(fā)現(xiàn)其他方案都不同程度的出現(xiàn)了很大的軌跡漂移。

OA-SLAM也是一種物體級SLAM，剛開始性能也很好，但是隨著時間增加，定位精度明顯降低。

地圖文件的大小對比，可以發(fā)現(xiàn)ObVi-SLAM比ORB3的地圖小很多，有利于機器人的實際落地。

審核編輯：劉清