1.一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于，包括以下步骤：步骤1：通过相机获取图像数据图像帧，包括RGB图像和深度图像；

步骤2：RGB图像通过语义分割网络去除图像中先验动态物体的影响；

步骤3：步骤2所得图像通过轻量化追踪模块估计当前帧位姿；

步骤4：通过改进的多视角几何算法滤除步骤3所得图像中非先验动态物体和先验动态物体；

步骤5：利用跟踪线程产生关键帧；

步骤6：根据关键帧的相关数据构建动态场景下的八叉树地图。

2.根据权利要求1所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：步骤1中通过单目RGB‑D相机采集图像帧。

3.根据权利要求1或2所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：步骤2中通过LR‑ASPP语义分割网络对图像进行处理，该LR‑ASPP语义分割网络以轻量型卷积网络MobileNetV3为主干网络，RGB图像经过LR‑ASPP语义分割网络处理，获得像素级的语义信息，利用该语义信息，剔除图像中先验动态物体上的特征点。

4.根据权利要求3所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：步骤3中，剔除图像中先验动态物体上的特征点后，剩余特征点通过轻量化追踪模块获得当前帧位姿。

5.根据权利要求4所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：轻量化追踪模块只估计当前帧位姿，不参与后续建图。

6.根据权利要求5所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：步骤4中利用改进的多视角几何法滤除非先验动态物体的具体方法为：多视角几何对于每一个输入图像帧，从距离当前最近的20个关键帧中选择与当前帧重叠度最高的5个关键帧；

检测关键帧中动态点；

当动态点被检测出来后，根据语义分割的结果，获取动态点的标签，将动态点分为两类，一类是拥有语义信息的动态点，另一类是没有语义信息的动态点；

对拥有语义信息的动态点进行语义轮廓搜索，对没有语义信息的动态点则在深度图中进行区域生长，使能充分利用语义信息，减少区域生长种子点的数量；

最后结合没有语义的动态物体掩膜和拥有语义信息的动态物体掩膜，获得完整的动态物体掩膜。

7.根据权利要求6所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：步骤4中检测关键帧动态点的过程为：假设x是被挑选出的关键帧上的关键点，x′是x投影到当前帧坐标系下的点，x对应的三维点为X，计算x，x′，X之间角度α和投影深度lproj；当角度α大于某一阈值时，判断该关键点可能为动态点；再通过深度图计算，获得当前帧中x′关键点的深度l′，并将其与lproj比较如果差值Δl＝lproj‑l′超过阈值τz即认定其为动态点。

8.根据权利要求7所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：所述的角度阈值和投影深度阈值，取α＝30°和τz＝0.2m。

9.根据权利要求8所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：步骤4中将多视角几何检测结果与LR‑ASPP的检测结果进行相互验证，得到完整的动态区域，过滤掉动态区域上的ORB特征点，再经过特征点提取模块提取掩模之外的特征点，从而达到剔除动态物体的效果。

10.根据权利要求9所述的一种基于语义分割网络的动态场景视觉SLAM优化方法，其特征在于：步骤6的具体过程为：设y∈R为概率对数值，x为节点被占据的概率，那么x和y之间的变换由logit变换描述：存储y来表达节点是否被占据，当不断观测到“占据”时，让y增加一个值，否则就让y减小一个值；

设某节点为n，观测数据为z，从开始到t时刻的某节点的概率对数值为L(n|z1：t‑1)，t+1时刻为：L(n|z1：t+1)＝L(n|z1：t‑1)+L(n|zt)当某个节点被反复观察到时，其y值会不断增加，当超过设定阈值时，该节点就会被占用，并将在八叉树图中可视化。