Deep learning + SLAM小综述

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技术中的某些模块，但彻底端到端取代SLAM可能性不大。短期来讲（三到五年），深度学习不会对传统SLAM技术产生很大冲击。

 

下面结合具体工作谈谈这么说的理由。目前深度学习+SLAM有几个主要的研究方向：1）单目SLAM学习尺度/深度；2）相机重定位；3）前端提取特征和匹配4）端到端学习相机位姿；5）语义SLAM；

 

1. 单目SLAM学习尺度/深度

单目纯视觉SLAM最大的问题是缺乏尺度信息，于是最直观的思路就是引入深度学习来脑补图像的尺度/深度信息。

代表工作其实有很多，但很大一部分是端到端架构，两个网络分别计算pose+depth直接出绝对轨迹，这类工作我放在后面端到端学习位姿部分中介绍，这里仅例举估计深度而不计算pose的工作。如TUM发表在CVPR17上的CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction，将LSD-SLAM里的深度估计和图像匹配都替换成基于CNN的方法，取得了较为鲁棒的结果。

 

但个人认为用DL估算深度在原理上不是很站得住，DL擅长去做一些高层理解类的任务如特征估计图像匹配等，但深度估计太偏计算几何了。人眼去看一张图像也只能获得大概定性的深度远近，而无法得到精确定量的深度大小，这种任务对于DL来说实在有些强人所难了。而传统的深度计算方法，不考虑误差理论上是可以得到精确数学解的，深度学习无论如何也无法达到这样的解析精度。

实际上，相关工作的精度确实不高，CNN-SLAM在室内每个像素的平均误差约50cm，在室外则高达7米，相比传统三角化计算深度在精度上有一定差距。但优势在于鲁棒性较强，传统三角化所面临的视差太大太小问题在DL这里都不存在。

 

1. 相机重定位/闭环检测

相机重定位/闭环检测通常需要对当前时刻各类传感器的信息进行特征提取，并与之前得到的历史数据进行搜索匹配，以便在跟丢后重新获取一个初始位置/判断是否到达了某个历史位置。

这一过程与传统的图像匹配有一定相似性，是比较适合用深度学习去完成的一类任务。

代表工作如DL+SLAM的开山之作——剑桥的论文：ICCV15的PoseNet，使用GoogleNet去做6-dof相机位姿的回归模型，并利用得到的pose进行重定位。

其结果在当时（15年）非常具有开创性，但其主要意义还是在于开创了一种新的思路，其实用性及精确度并不如传统重定位方案来的可靠。