SLAM与深度学习

slam与深度学习结合

用深度学习方法替换传统slam中的一个/几个模块：
目前还不能达到超越传统方法的效果，相较传统SLAM并没有很明显的优势（标注的数据集少且不全，使用视频做训练数据的非常少。SLAM中很多问题都是数学问题，深度学习并不擅长等等原因）。

在传统SLAM之上加入语义信息
语义SLAM算是在扩展了传统SLAM问题的研究内容，现在出现了一些将语义信息集成到SLAM的研究，比如说用SLAM系统中得到的图像之间的几何一致性促进图像语义分割，也可以用语义分割/建图的结果促进SLAM的定位/闭环等，前者已经有了一些研究，不过还是集中于室内场景，后者貌似还没有什么相关研究。如果SLAM和语义分割能够相互促进相辅相成，应该能达到好的效果。

另：使用SLAM帮助构建大规模的图像之间有对应关系的数据集，可以降低深度学习数据集的标注难度吧，应该也是一个SLAM助力深度学习的思路。

1、利用学习的方法辅助几何方法。比如有学习的方法估计出深度信息，学习特征等等，特别是在几何法有时不行的时候。可以增强系统的鲁棒性。TUM实验室的CNN-Slam就是这个范畴，如果没记错的话。2、直接端到端学的，比如PoseNet，DeepVO，UnDeepVO3、语义Slam。不太了解，感觉机器学习做语义分割的很多，结合一下做语义Slam应该可以关联很多。

提高特征点稳定性（减少outlier）和自动提取不同层级的特征点（点、线、面、物体），
快速生成密集的地图（而非稀疏的三维点云）
结合语义信息和图像分割
生成动态地图（可以实时更新、表达动态物体）
降低SLAM调参的难度

将几何与深度学习结合。
Have We Forgotten about Geometry in Computer Vision?
求解深度，求解两帧间变换，特征点描述和提取，重定位

单目深度估计-深度学习

CNN-SLAM实时稠密单目SLAM