近年来,研究人员开始在视觉SLAM算法中引入深度学习技术,使得深度学习SLAM系统获得了迅速发展,并且比传统算法展现出更高的精度和更强的环境适应性。 从2015年Kendall等[3] 提出在视觉里程计中引入深度学习方法开始,经过近十年的发展,基于深度学习的视觉SLAM系统框架已日趋成熟。同时,深度学习与视觉SLAM结合发展方面也取得...
演讲二:Jakob Engel 谈半密集直接 SLAM(Semi-Dense Direct SLAM) LSD-SLAM (大规模直接单眼 SLAM)在2014 ECCV 上公开,也是我现在最喜欢的 SLAM 系统之一!Jakob Engel 在那里展示了他的系统并向观众展示了当时最炫酷的一些 SLAM 可视化。对 SLAM 研究者来说,LSD-SLAM 是一个非常重要的系统,因为它不使用边角或...
(1) CNN-SLAMCNN-SLAM是比较完整的pipeline,将LSD-SLAM里的深度估计和图像匹配都替换成基于CNN的方法,取得了更为robust的结果,并可以融合语义信息。 类似的工作还有UnDeepVO,该文章使用直接法估计相机姿态,使用CNN来估计Depth以及做图像语义分割,然后将Geometry和semantic融合起来,生成具有语义信息的map。 CNN-SLAM pipe...
整体看来直接法在前端跟踪中使用较少,LSD-SLAM (large scale direct monocular SLAM)是在单目 SLAM 中使用直接法成功的典例。 关联论文:LSD-SLAM: large-scale direct monocular SLAM 深度学习与帧间估计 基于深度学习的方法无需特征提取,也无需特征匹配和复杂几何运算,使得基于深度学习的方法更加直观简洁。 Konda ...
深度学习能够通过特征提取和模式识别来优化SLAM过程。与传统SLAM算法不同,深度学习SLAM可以通过学习大量的数据来提高环境理解能力,从而处理复杂场景。 雷达数据特点 雷达(Radar)传感器可以提供环境的信息,并在低能见度条件下仍然保持较高的准确性。其数据可以表现为点云,其中包含丰富的空间信息。
深度学习结合SLAM是近年来很热门的研究方向,也因此诞生了很多开源方案。笔者最近在阅读SLAM综述论文“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence”,该综述参考了255篇SLAM领域的顶会顶刊论文,并且涵盖了VO、建图、特征提取、定位、描述子提取、BA优化、...
1. 深度学习跟SLAM的结合点 深度学习和slam的结合是近几年比较热的一个研究方向,具体的研究方向,我简单分为三块,如下。 1.1 深度学习结合SLAM的三个方向 用深度学习方法替换传统SLAM中的一个/几个模块 特征提取,特征匹配,提高特征点稳定性,提取点线面等不同层级的特征点。
第14讲--语义SLAM论文综述 第15讲-基于NERF的SLAM相关论文综述 第16讲-张端到端视觉SLAM之最佳论文解读DROID-SLAM 第17讲--激光SLAM语义闭环 学习小组的小伙伴绘制了非常详细的思维导图并进行了视频讲解: 基于深度学习的SLAM综述 深度学习在VSLAM中应用
目前深度学习在SLAM上的应用可以分为三类,一类是end2end,输入连续帧图像,经过网络直接得到pose信息,例如DeepVO,D3VO; 第二类是还是利用slam前后端的整体框架,用DL来替换某一模块,例如Magicleap团队用SuperPoint和SuperGlue进行特征点的提取和匹配,普林普顿Jia Deng团队的RAFT光流,DroidSLAM主要用学习的方法进行BA,类似工作...
总结了深度学习与视觉里程计、闭环检测和语义同时定位与地图创建结合的突出研究成果,对传统算法与基于深度学习的方法做了对比,展望了基于深度学习的视觉同时定位与地图创建发展方向。 01引言 同时定位与地图创建(Simultaneous Localization and Mapping,SLAM),是指在陌生环境中,机器实现环境感知、理解和完成自身定位,以及...