流行的SLAM研究方向

第一部分：特征的定义

一、点特征

1、错误对应问题

解决方案：深度学习

• superpoint(github上有代码）
• gcnv2

2、运算时间过长

解决方案：在不算描述子的情形下进行对应

• RK-SLAM
• SVO

二、直接法

1、光照的变化带来的成像噪声

解决方案：

• NID-SLAM

2、Rolling Shutter问题

解决方案：

• DSO with Rolling Shutter

3、需要深度信息

解决方案：深度学习学习深度

• CODE-SLAM
• Learning Meshes for dense Visual SLAM（CODE-SLAM的后续）
• deep virtual DSO

4、单目求深度

解决方案：

• popup SLAM

三、结构化特征

• 线、边、面
• 建筑结构： Struct SLAM
• 灭点

四、语义信息

• Object-Level： 将视觉元素定义为 Object
• 利用语义分割约束特征的对应

五、新的传感器

• 全景相机
• 多相机系统
• 多agent联合建图
• 光场相机
• Event Camera
• 高帧率、高分辨率相机

第二部分：求解框架

一、滤波法的累积误差

• A Linear Complexity EKF for Visual Inertial navigation with Loop Closures

二、优化方法的计算速度

• 增量优化
• Marginalization
• rotation average：对应论文 Why bundle adjustment
• 关键帧选择

三、基于深度学习的精度及泛化能力及地图的表示

四、拓扑地图、场景中物体的拓扑关系

五、深度学习和传统方法的融合

第三部分：和其他传感器的融合

第四部分：闭环检测、重定位

一、跨季节，跨天气、光照变化、场景微小变化

二、重复纹理