深度学习在slam的应用Deep Learning Applications in SLAM

2022

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]。在某些特殊场合，如军事、交通、服务业和其他领域，它可以取代人类。长期以来，位置是路径规划的前提。在定位问题中，机器的主要任务是感知周围环境，然后对其进行描述。SLAM可以比传统的文本、图像和视频更有效、更直观地呈现信息。在GPS无法正常使用的环境中，SLAM也可以作为一种有效的替代方案，在未知环境中实现实时导航。SLAM技术在服务机器人、无人驾驶汽车、增强现实等领域发挥着越来越重要的作用。

如图1所示，完整的SLAM框架包括以下四个方面：前端跟踪、后端优化、环路检测和地图重建[1]。视觉里程表（VO）是使用仅来自一个或多个摄像机的输入信息来估计代理的运动信息的过程；后端优化负责接收VO测量的姿态信息，然后在机器人检测到闭环后解决历史轨迹的优化；循环检测确定机器人是否进入了历史上的相同位置。它触发SLAM后端全局一致性算法来优化地图，消除累积轨迹误差和地图误差；地图重建负责根据相机姿态和图像构建适合任务的地图。