本文对 RGB-D SLAM 进行了可行性研究，通过 ORBSLAM2 等视觉 SLAM 方法在公开数据集和自行构建的 HomeRobot 数据集上进行实验，发现它们在很多情况下可以取得很好的精度，但健壮性仍然是一个问题。

Oct, 2019

本文介绍了 Photo-SLAM，一种具有超级基元地图的创新 SLAM 框架，通过同时利用显式几何特征进行定位和学习隐式光度特征来表示观察环境的纹理信息，以及采用高斯金字塔训练方法逐步学习多级特征以增强逼真的映射性能。实验证明，与当前最先进的 SLAM 系统相比，我们提出的 Photo-SLAM 在线逼真映射的性能显著优于其他系统，如 Replica 数据集中的 PSNR 提高了 30％，渲染速度快了数百倍。此外，Photo-SLAM 可以在像 Jetson AGX Orin 这样的嵌入式平台上实时运行，展示了机器人应用的潜力。

Nov, 2023

建立了第一个开放共享的基准框架来评估常用的 INRs 和几何渲染函数在建图和定位中的性能，通过大量的实验研究，得出了密集特征网格优于其他 INRs（如三平面和哈希网格）的结论，并提出了一种混合编码策略来兼顾准确性和完整性，以满足 RGB-D SLAM 系统对鲁棒性和计算效率的要求。

Mar, 2024

本文介绍了一种利用 RGB-D 图像序列进行协作式隐式神经同步定位与地图生成（SLAM）系统，该系统包括完整的前端和后端模块，包括里程计、回环检测、子图融合和全局优化。为了在一个统一的框架中实现所有这些模块，我们提出了一种新颖的基于神经元的三维场景表示方法，其中每个点维护一个可学习的神经元特征用于场景编码，并与某个关键帧相关联。此外，我们提出了一种分布式至集中式学习策略，用于改进协作式隐式 SLAM 的一致性和合作性。还提出了一种新颖的全局优化框架，以提高系统精度，类似于传统的束调整。在各种数据集上的实验证明了该方法在相机跟踪和地图生成方面的优越性。

Nov, 2023

本文提出了一种基于实时语义 RGB-D SLAM 算法的方法，其能够在动态环境中检测已知和未知的运动物体，并通过仅对关键帧进行语义分割来减少计算成本，并保持静态地图以实现强健的相机跟踪，同时提出了一种有效的几何模块来检测未知的移动物体。该算法在公共数据集和实际应用场景中进行了评估，最终实现了在低功耗嵌入式平台上实时运行并能在动态环境中提供高精度的定位与跟踪。

Apr, 2021

本文提出了一种基于密集神经算法的同步定位与建图方法，使用深度学习生成的点云来锚定神经场景的特征，通过最小化基于 RGBD 的重新渲染损失，实现对跟踪和地图绘制的同时处理，通过在信息密度低的区域减少运行时间和内存使用，并将更高的点密度分配给解决更细节问题。在 Replica，TUM-RGBD 和 ScanNet 数据集上相对于现有的神经 RGBD SLAM 方法获得了更好或相似的跟踪，地图和渲染准确性。

Apr, 2023

本文提出了一个新的实时 SLAM 流水线，使用 RGB-D SLAM 和 YOLO 实时物体检测来分割和去除动态场景，并构建静态场景 3D 模型。

Mar, 2023

本文介绍了一份在罗马收集的视觉和感知研究数据集，包括 RGB 数据、3D 点云、IMU 和 GPS 数据，并引入了一个新的基准用于视觉里程计和 SLAM，以推进自主机器人和计算机视觉的研究。

Apr, 2024

本研究针对自动驾驶的核心传感器进行研究，发现同时融合相机和 LiDAR 两种模式可以显著提升其性能。然而，由于当前数据集来自于昂贵的数据收集车辆，无法完全反映真实数据分布。 因此，我们提出了一种系统性的鲁棒性基准测试工具包，并在 nuScenes 和 Waymo 中建立了鲁棒性基准测试，针对当前的融合方法进行综合性分析。最后，我们提出了一种高效的鲁棒性训练策略。

May, 2022

提出了一种基于灵活的神经网络点云场景表示的高效 RGB-only 稠密 SLAM 系统，通过适应关键帧姿态和深度更新，优化了位姿和深度，并在回环检测、全局束调整等方面取得了较好或有竞争力的跟踪、建图和渲染准确性。

Mar, 2024