观点 | SLAM会被深度学习取代吗？

最新推荐文章于 2024-11-10 12:27:49 发布
原创 最新推荐文章于 2024-11-10 12:27:49 发布 · 1.4k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #机器学习

原文链接：观点 | SLAM会被深度学习取代吗？

首先祝大家国庆节快乐！

今天和大家聊一个有趣的话题：SLAM是否会被深度学习取代。据说卡内基梅隆大学机器人研究所的计算机视觉课程，分成了两部分，一个是基于学习的方法，一个是基于几何的方法。作为一个SLAMer，深深的感受到最近几年SLAM的快速发展，以前很多人说起计算机视觉，基本就和深度学习视觉算法划上了等号，如今SLAM也有自己的一席之地了。几何方法和学习方法，已经成为现代计算机视觉的两根支柱。

不过在学术界，最近几年，顶会上SLAM和深度学习结合的论文越来越多，还出现了一些端到端的SLAM。而传统纯几何的SLAM论文貌似在萎缩，不知道是不是纯几何的SLAM太难发论文了，还是深度学习要在计算机视觉领域一统江山？

图片

我个人有点粗浅观点，分享给大家。

1、SLAM最近是不是很热？

确实很热。今年自动驾驶领域融资非常活跃，大疆、华为、小米等公司都在自动驾驶领域有大动作，造车新势力也风生水起。Facebook 元宇宙、字节跳动收购AR/VR硬件公司Pico等也带动了增强现实产业的火山爆发。而自动驾驶汽车、AR可穿戴设备要想实现准确定位，核心还是SLAM技术。

SLAM算法工程师，尤其是优秀的、有经验的工程师非常抢手。校招

最低0.47元/天 解锁文章
MATLAB算法实战应用案例精讲-【人工智能】SLAM（概念篇）（最终篇）
qq_36130719的博客
06-06 1682
针对环境的描述（地图），目前各国研究者已经提出了多种表示法，大致可分为三类：栅格表示、几何信息表示和拓扑图表示，每种方法都有自己的优缺点。栅格地图表示法即将整个环境分为若干相同大小的栅格，对于每个栅格，各自指出其中是否存在障碍物。这种方法最早由Elfes和Moravec提出，而后Elfes进行了进一步的研究。优点是：(1)创建和维护容易， (2) 尽量保留了整个环境的各种信息， (3)借助于该地图，可以方便地进行自定位和路径规划。
Dense Contrastive Learning for Self-Supervised Visual Pre-Training(基于密集对比学习的自我监督视觉预训练)2021
qq_54828577的博客
06-28 2296
迄今为止，大多数现有的自监督学习方法针对图像分类进行了设计和优化。由于图像级预测和像素级预测之间的差异，这些预先训练的模型对于密集预测任务可能是次优的。为了填补这一空白，我们的目标是设计一种有效、密集的自监督学习方法，通过考虑局部特征之间的对应关系，直接在像素水平（或局部特征）工作。我们提出了密集的对比学习（DenseCL），该学习通过在输入图像的两个视图之间的像素水平上优化成对的对比（不相似）损失来实现自监督学习。 ...............
深度学习在slam的应用Deep Learning Applications in SLAM
qq_40165706的博客
09-05 3229
摘要同时定位与映射（SLAM）是近年来智能机器人领域的研究热点。其处理对象是视觉图像。深度学习在计算机视觉领域取得了巨大成功，这使得深度学习与slam技术的结合成为一个可行的方案。本文总结了深度学习在SLAM技术中的一些应用，并介绍了其最新研究成果。比较了基于深度学习的SLAM技术与传统SLAM技术的优缺点。最后，展望了SLAM+深度学习技术的未来发展方向。1.介绍SLAM是一个过程，其中机器人配备了视觉、激光、里程表和其他传感器，在未知环境中构建地图时实现自我定位。它在机器人自主导航任务中起着关键作用[1
深度学习 vs SLAM
weixin_34358092的博客
10-27 234
第三部分：深度学习 vs SLAM SLAM 小组讨论真是乐趣无穷。在我们进入重要的「深度学习 vs SLAM」讨论之前，我应该说明每一位研讨会展示者都同意：语义对构建更大更好的 SLAM 系统是必需的。关于未来的方向，这里有很多有趣的小对话。在争论中，Marc Pollefeys（一位知名的 SfM 和多视角几何研究者）提醒所有人「机器人是 SLAM 的一个杀手级应用」，并建议我们保持对...
深度学习和SLAM
u010451780的专栏
05-08 3517
https://blog.youkuaiyun.com/u010821666/article/details/78749356 整理了部分近两年深度学习结合SLAM的一些研究成果（参考知乎帖子https://www.zhihu.com/question/66006923 和泡泡机器人公众号，附上论文链接和已找到的源代码/数据集链接，大多简单看了一下摘要。仅为自己学习所用，确实翻译得很烂………… 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
基于深度学习的视觉 SLAM 综述——赵洋 学习笔记
qin_liang的博客
09-08 1714
基于深度学习的视觉SLAM
一起自学SLAM算法：10.3 机器学习与SLAM
机器人研究猿-优快云
01-28 1755
推理、知识、神经网络、机器学习、决策理论等诸多的概念，本身就是在不同的层面不同的时期来讨论的，这些概念之间有些是互相重叠的、有些是发展递进的、有些是特例、有些是不同角度出发的同一观点等等。图10-33 发展历程既然从理论上暂时无法得知智能的真正面貌，那么广大读者也就不必拘泥于理论层面的各种概念，仅从实践的角度讨论和学习主流的一些技术应用就已经够了。如图10-34所示，为人工智能技术应用的大致流程。从实际问题出发，对问题进行分析并提取出一些重要的先验信息以帮助我们构造更合适的智能系统来解决问题。
Deep learning + SLAM小综述
fxr123fxr的博客
10-09 5957
两个月前写的DL+SLAM研究现状综述，刚想起放到博客上。         随着近几年深度学习技术的火热，越来越多的研究工作尝试将深度学习引入到SLAM中去，有些工作也取得了较为不错的效果。本文尝试对相关工作进行简单梳理，并探讨深度学习+SLAM的可行性和发展方向。当然个人学识有限，如有疏漏之处望大家不吝指正。   首先上个人观点：长期来讲，深度学习有极大可能会去替代目前SLAM技术...
深度学习slam算法工程师
Elodier的博客
08-29 1006
打算以后从事slam+深度学习方向的工作，整理一些招聘网站上的工作要求，作为自己的工作目标。  1、50%配合深度学习算法工程师，集成现有的物体识别框架和贝叶斯方法，构建包含物体标签的地图，用于家用机器人的场景理解甚至辅助导航定位  2、50%在此基础上，对算法进行优化  基础知识：  1、良好的C++和python，MATLAB编程基础，熟悉Linux及ROS操作系统,有ROS相关项目经验者优...
基于深度学习的SLAM概述
wxm__的博客
01-14 4413
目的 本博客总结最近看的几篇关于深度学习的SLAM以及基于深度学习的稠密重建，简要对比记录特点 对比 年份 名称 类型 框图 前端 输出 地图 方法 特点 回环 2021 DROID-SLAM mono-VSLAM 全图像素点+稠密光流匹配 输出每个关键帧的位姿和稠密深度图像 全局场景稠密点云地图 RAFT稠密光流+稠密BA+重投影误差 GPU显存占用较大(前端实时需要8GGPU显存，后端由于需要存储所有图像的featuremap,因此，显存占用会很大，5000帧需要24GB)，位姿和全局
最新综述 | 基于深度学习的SLAM方法：面向空间机器智能时代
计算机视觉life
09-10 6386
最新综述 | 基于深度学习的SLAM方法：面向空间机器智能时代 A Survey on Deep Learning for Localization and Mapping Towards the Age of Spatial Machine Intelligence 基于深度学习的定位与建图方法综述：面向空间机器智能时代 论文地址：https：//arxiv.org/pdf/2006.12567v1.pdf 摘要： 基于深度学习的定位与建图技术近年来受到了广泛的关注。不同于利用物理模型或几何理论的人工设计
基于深度学习的视觉SLAM综述
跑得动就不要歇着
02-26 5721
下面来介绍一下深度学习的视觉SLAM综述，具体如下： 同时定位与地图构建（SLAM）是机器人搭载视觉、激光、里程计等传感器，对未知环境构建地图的同时实现自定位的过程，在机器人自主导航任务中起着关键作用。当前SLAM问题的研究手段主要是通过在机器人本体上安装多类型传感器来估计机器人本体运动信息和未知环境的特征信息，利用信息融合实现对机器人位姿的精确估计以及场景的空间建模。尽管SLAM采用的传感器有...
经典文献阅读之--DROID-SLAM(完美的深度学习slam框架)
热门推荐
lovely_yoshino的博客
11-10 1万+
深度学习和SLAM现在结合越来越紧密了，但是实际上很多时候深度学习只会作为一个block放在slam系统中。而很多深度学习slam算法，在slam这边的性能都不是太好，尤其是回环和全局优化这块。因为有一些深度学习的工作就不太适合做回环检测。。而回环是目前唯一一个可以用来修正累积误差的。回环检测需要去评估两个图片的相似性，。基本上回环和前端定位用的是一套方案，这样不需要增加额外的算力，就能实现回环检测，但是很多基于深度学习的方法，要么没有回环，要么增加额外的特征做回环（这样就需要额外的算力和存储）。而《
slam特征点深度 svd_pySLAM：多深度学习特征集成SLAM
weixin_39603357的博客
12-01 423
简介 今天推荐一个有趣的项目pySLAM，该用项目用python实现SLAM、VO、关键帧、BA、特征匹配等功能。最重要的是该项目集成了多种近几年主流的深度学习特征点+描述子，该项目可以比较轻松的利用现有的深度学习特征测试SLAM/VO的性能。感兴趣的同学可以尝试下这个项目，关注本号后台回复pyslam查看源代码，另外博客地址[1]目前已支持下述特征检测器：FAST[2]Good fea...
slam深度学习前端
算法攻城狮
11-24 1260
由于以防止自己忘记，记下：   深度学习SLAM ：最新的基于深度学习的deepvo，VINet，大家怎样评价？ 1.DeepVO: A Deep Learning approach for Monocular Visual Odometry； 2.VINet : Visual-inertial odometry as a sequence-to-sequence learning pro...
视觉slam从几何到深度学习：挑战与机遇＜Ongoing Evolution of Visual SLAM from Geometry to Deep Learning: Challenge＞
qq_40165706的博客
09-04 1511
2018年摘要视觉同时定位和映射（SLAM）在机器人界已经研究了几十年。随着基于几何模型的技术日益成熟和精确，视觉SLAM已经取得了重大进展和成就。然而，在具有挑战性的环境下，它们往往是脆弱的。最近，有一种趋势是开发数据驱动的方法，例如深度学习，以解决具有更稳健性能的视觉SLAM问题。本文旨在通过提供全面的技术回顾，见证视觉SLAM技术从基于几何模型到数据驱动方法的不断发展。我们的贡献不仅是汇编了最先进的端到端深度学习SLAM工作，还深入了解了深度学习SLAM的潜在机制。为此，我们首先简要概述了基于几何模型
ORB-SLAM2建图技术属于强化学习SLAM技术还是深度学习SLAM技术？
最新发布
07-31
ORB-SLAM2 是一种基于特征的视觉 SLAM（Simultaneous Localization and Mapping，同步定位与地图构建）系统，其核心方法依赖于传统的计算机视觉技术，而不是强化学习或深度学习。它使用 ORB（Oriented FAST and Rotated BRIEF）特征进行关键点检测和描述符提取，通过匹配这些特征实现帧间的跟踪与地图构建。 从技术分类来看，ORB-SLAM2 属于**基于几何的 SLAM 技术**，具体归类为**特征提取与匹配 SLAM**。它不涉及强化学习中的策略优化过程，也不使用深度学习模型进行特征学习或场景理解。因此，ORB-SLAM2 建图技术既不是强化学习 SLAM，也不是深度学习 SLAM，而是基于传统视觉特征的传统 SLAM 方法 [^2]。 ### ORB-SLAM2 的关键技术特点： - 使用 ORB 特征进行图像特征提取和匹配。 - 基于 PnP（Perspective-n-Point）算法估计相机位姿。 - 采用图优化（Graph-based Optimization）方法进行全局优化。 - 支持单目、双目和 RGB-D 相机等多种传感器输入。 尽管近年来有研究尝试将深度学习和强化学习引入 SLAM 系统以提升其在复杂环境下的鲁棒性和语义理解能力，但 ORB-SLAM2 本身并未集成这些技术。如果希望增强 ORB-SLAM2 的语义理解和导航能力，可以借助外部深度学习模块进行语义分割或目标检测，并结合强化学习策略实现更智能的路径规划和场景理解 [^1]。 ### 示例：ORB-SLAM2 的特征提取流程 ```cpp // 在 ORB-SLAM2 中提取 ORB 特征的简化代码片段 void ORBextractor::operator()(cv::InputArray _image, cv::InputArray _mask, std::vector<cv::KeyPoint>& _keypoints, cv::OutputArray _descriptors) { cv::Mat image = _image.getMat(); cv::Mat mask = _mask.getMat(); // 检测关键点 std::vector<cv::KeyPoint> keypoints; detector.detect(image, keypoints, mask); // 计算描述符 cv::Mat descriptors; extractor.compute(image, keypoints, descriptors); // 输出结果 _keypoints = keypoints; _descriptors.release(); descriptors.copyTo(_descriptors); } ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值