在机器人、无人机与自动驾驶领域，视觉惯性SLAM（VINS）是实现自主导航的关键技术。然而，真实场景中充斥着动态物体（如行人、车辆）以及“暂时静止但会移动”的目标（例如路边停放的汽车），这些因素容易引发定位漂移与错误回环检测。2022年发表在IEEE RA-L上的论文《DynaVINS: A Visual-Inertial SLAM for Dynamic Environments》提出了一套稳健的解决方案。本文基于该论文，系统拆解DynaVINS的原理、核心算法与实验结果，并提供实用技巧与常见疑问解答，帮助你在实际项目中有效应对动态环境。

1. 背景与挑战：为何需要DynaVINS？

传统VINS算法（如VINS-Fusion、ORB-SLAM3）普遍建立在环境静态的前提下。但在真实场景中，动态物体无处不在，例如：

• 大面积遮挡：动态物体（如公交车）遮挡大部分视野，基于深度学习的检测方法容易漏检。
• 临时静态物体：某个物体当前观察时静止（例如停在路边的箱式货车），但当绕行一圈后它已移动，算法却误认为它仍在原处，从而产生假阳性回环，导致轨迹严重变形。

DynaVINS专为这两类问题设计，其核心创新在于：借助IMU预积分提供的运动先验，结合鲁棒BA与多假设全局优化，动态过滤动态特征并拒绝错误回环。

2. 核心创新亮点

论文提出三大主要贡献：

• 鲁棒BA（捆绑调整）：同时估计相机姿态并剔除偏离运动先验的动态特征。
• 关键帧分组与多假设聚类：减少临时静态物体对回环检测的误导。
• 选择性全局优化：为每个回环假设赋予权重，仅保留可靠约束。

3. 算法深度解析

3.1 适用场景

DynaVINS主要应对以下两类高挑战环境：

• 城市环境中的大面积遮挡（图2a、2b）：例如VIODE数据集的city_day序列，行人、车辆密集，深度学习方法因遮挡而漏检动态目标。
• 临时静态物体场景（图2c）：作者自建数据集，包含如停放后移动的车辆，传统几何方法会错误将其视为静态地标。

图2 主要测试的动态环境示例。红线标记出被遮挡区域和临时静态物体。