1.一种适用于动态环境的轻量化视觉SLAM方法，其特征在于，包括以下步骤：

S1、通过RGB‑D相机获取RGB图像与深度图像，并从RGB图像中提取特征点和深度图像中得到特征点的深度值；

S2、使用轻量化的语义分割网络对获取的RGB图像进行语义分割，根据场景中对应物体的语义标签，对物体中的特征点赋予语义运动概率Pprior；

S3、根据语义运动概率的阈值，剔除图像中的特征点，对于剩余特征点进行跟踪，通过最小化重投影误差得到初始相机位姿Tprior；

S4、使用基于聚类的几何方法来判断图像中所有特征点的几何运动概率；所述步骤S4具体为：找到若干个与当前帧匹配度最高的参考关键帧，即旋转矩阵和位移与当前帧的差异最小的关键帧，分别为：I1、I2、...、In；计算当前帧与参考关键帧之间的投影深度误差，从而检测不可靠的点；根据步骤S3中得到的初始相机位姿Tprior，将参考关键帧中深度值为z的特征点x投影到当前帧中，其对应的投影点和深度分别表示为x′和zproj；其中特征点x的深度值z从深度图像中提取得到；将x′在当前帧中的观测深度标记为z′；当z′和zproj之间的差值Δz大于阈值τz时，则将此点视为不可靠点，在参考关键帧中是动态的；其中，不可靠点及其投影点分别表示为 和 对提取的特征点做两次聚类操作，第一次聚类中，基于特征点的深度值，将所有特征点分为n1；使用C来表示所有簇的集合， 并计算出每个簇ci的中心深度值为 并计算出每个簇中不可靠点的个数 和单个簇中不可靠点最多的数量 及其比值，从而计算出这个簇中特征点的几何运动概率若 大于阈值τ1时，将ci区域认定为运动区域；

然后，在运动区域中进行第二次基于2D坐标的聚类算法，在2D聚类算法中，距离使用欧几里得距离度量方式进行计算，从而将运动区域再次分为n2个区域，并计算出每个簇中不可靠点的个数 和单个簇中不可靠点最多的数量 及其比值，从而计算出这个簇中特征点的几何运动概率S5、使用贝叶斯框架融合特征点的语义运动概率和几何运动概率，从而计算得到每个特征点的最终运动概率Pfinal；若语义运动概率为0，则将几何运动概率作为最终运动概率Pfinal；确定最终运动概率的阈值，根据最终运动概率的阈值再次剔除图像中的特征点，得到静态特征点；

S6、对RGB图像进行再次跟踪，在重投影误差计算中使用特征点的最终运动概率，从而得到优化相机位姿Topt；

S7、使用静态特征点，进行局部稀疏建图，得到一个稀疏三维点云地图；将静态特征点用于局部BA优化，并进行回环检测，从而得到最终相机位姿Tfinal和运动轨迹。

2.根据权利要求1所述的一种适用于动态环境的轻量化视觉SLAM方法，其特征在于，所述步骤S1中采用ORB方法提取RGB图像中的特征点，并与前一关键帧中的特征点进行匹配，从而估计相机的运动轨迹。

3.根据权利要求1所述的一种适用于动态环境的轻量化视觉SLAM方法，其特征在于，所述步骤S2中，对位于掩膜边缘的特征点，通过图像形态学处理，具体为：先对掩膜图像进行腐蚀操作，再进行膨胀，从而得到语义分割结果；并根据掩膜的语义类型，对属于检测到的物体的特征点赋予语义运动概率Pprior。

4.根据权利要求1所述的一种适用于动态环境的轻量化视觉SLAM方法，其特征在于，所述步骤S3中，所述语义运动概率的阈值范围为0.5～0.6；

若特征点的语义运动概率大于等于该阈值时，则该特征点是运动的，剔除该特征点；若特征点的语义运动概率小于该阈值时，则该特征点是静止的，保留该特征点。

5.根据权利要求1所述的一种适用于动态环境的轻量化视觉SLAM方法，其特征在于，所述步骤S5中，使用贝叶斯框架融合特征点的语义运动概率和几何运动概率，从而计算得到每个特征点的最终运动概率Pfinal，具体为：其中，α为尺度因子。

6.根据权利要求1所述的一种适用于动态环境的轻量化视觉SLAM方法，其特征在于，所述步骤S5中，确定最终运动概率的阈值，具体为：样本特征点的运动概率服从正态分布，通过计算置信区间的上界来确定运动点的概率阈值τ，其计算公式如下：其中， 是样本特征点的最终运动概率的均值，z表示在95％置信水平下正态分布的临界值，ntotal是特征点的数量，σ为所有特征点的方差；

若特征点的最终运动概率大于等于τ，则该特征点被认为是运动的；反之，则该特征点被认为是静止的。

7.根据权利要求1所述的一种适用于动态环境的轻量化视觉SLAM方法，其特征在于，所述步骤S6具体为：使用光束法平差优化方法来通过最小化特征点xi和3D地图点Xi之间的重投影误差来优化相机的旋转矩阵R和位移t：其中，ρ是鲁棒的Huber函数，ns是静态特征点的数量，π(·)代表从3D坐标到2D坐标的相机投影函数，在协方差矩阵Σ与特征点的运动概率和尺度因子相关联。

8.根据权利要求1所述的一种适用于动态环境的轻量化视觉SLAM方法，其特征在于，所述步骤S7具体为：用ORB‑SLAM2的局部建图线程，通过对新关键帧与旧关键帧之间的匹配进行三角测量来生成地图点，同时优化局部地图并计算相对位姿,能够得到一个稀疏三维点云地图；使用ORB‑SLAM2中的回环检测和全局BA优化线程，从而得到最终相机位姿Tfinal和运动轨迹。