博客轉載自：https://blog.csdn.net/xiaoxiaowenqiang/article/details/81051010 原文標題：深度學習結合SLAM 語義slam 語義分割 端到端SLAM CNN-SLAM DenseSLAM orbslam2 + ssd LSD-SLAM + CNN SemanticFusion Mask
深度學習結合SLAM 研究現狀總結
1. 用深度學習方法替換傳統slam中的一個/幾個模塊：
特征提取，特征匹配，提高特征點穩定性，提取點線面等不同層級的特征點。
深度估計
位姿估計
重定位
其他
目前還不能達到超越傳統方法的效果，
相較傳統SLAM並沒有很明顯的優勢（標注的數據集少且不全，使用視頻做訓練數據的非常少。
SLAM中很多問題都是數學問題，深度學習並不擅長等等原因）。
2. 在傳統SLAM之上加入語義信息
圖像語義分割
語義地圖構建
語義SLAM算是在擴展了傳統SLAM問題的研究內容，現在出現了一些將語義信息集成到SLAM的研究，
比如說用SLAM系統中得到的圖像之間的幾何一致性促進圖像語義分割，
也可以用語義分割/建圖的結果促進SLAM的定位/閉環等，前者已經有了一些研究，
不過還是集中於室內場景，后者貌似還沒有什么相關研究。
如果SLAM和語義分割能夠相互促進相輔相成，應該能達到好的效果。
另：使用SLAM幫助構建大規模的圖像之間有對應關系的數據集，
可以降低深度學習數據集的標注難度吧，應該也是一個SLAM助力深度學習的思路。
6
3. 端到端SLAM
其實端到端就不能算是SLAM問題了吧，SLAM是同步定位與地圖構建，端到端是輸入image輸出action，沒有定位和建圖。
- 機器人自主導航（深度強化學習）等
1. 用深度學習方法替換傳統slam中的一個/幾個模塊：
A. CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction
基於CNN的單張圖深度估計，語義SLAM，半稠密的直接法SLAM.
將LSD-SLAM里的深度估計和圖像匹配都替換成基於CNN的方法，取得了更為robust的結果，並可以融合語義信息.
鑒於卷積神經網絡（CNN）深度預測的最新進展，
本文研究了深度神經網絡的預測深度圖，可以部署用於精確和密集的單目重建。
我們提出了一種方法，其中CNN預測的稠密深度圖與通過直接單目SLAM獲得的深度測量自然地融合在一起。
我們的融合方案在圖像定位中優於單目SLAM方法，例如沿低紋理區域，反之亦然。
我們展示了使用深度預測來估計重建的絕對尺度，從而克服了單眼SLAM的主要局限性之一。
最后，我們提出一個框架，從單個幀獲得的語義標簽有效地融合了密集的SLAM，從單個視圖產生語義相干的場景重構。
兩個基准數據集的評估結果顯示了我們的方法的魯棒性和准確性。
