本研究提出了一种基于深度强化学习（DRL）的 2D 姿态图优化的环境和代理，将姿态图优化问题建模为部分可观察的马尔可夫决策过程，并评估了性能。实验结果表明，拥有该方法的迭代式求解器可以产生质量更高的姿态估计，因此，我们相信基于强化学习的 PGO 是进一步加快研究朝向全局最优算法的有前途的途径。

Feb, 2022

我们设计了一种新的可微架构 Neural Graph Optimizer，由本地姿态估计模型、新颖的姿态选择模块和新颖的图优化过程组成，通过端到端的训练使网络自动学习与视觉里程计相关的领域特定特征，从而实现了 SLAM 的完整神经网络解决方案，并在模拟的 2D 迷宫和 3D ViZ-Doom 环境中展示了系统的有效性。

Feb, 2018

本文提出了一种基于全局优化的稳健方法，来解决基于地图的视觉惯性定位中的共识最大化问题，该问题的主要挑战是在变化环境下存在外点，该方法可以在高百分比的外点存在时仍实现确定性全局收敛。

Feb, 2020

该论文介绍了一种新的非参数位姿图模型来处理自主编图和数据关联问题，实现了同时进行数据关联和地图建立的能力，相较于只考虑其中一个问题，其性能显著提高。

Apr, 2017

本文提出了分布式算法和对象模型的应用来协调机器人协作建图，以减少通信成本和提高效率。

Feb, 2017

GO-SLAM 是一种基于深度学习的稠密视觉 SLAM 框架，通过全局优化姿态和三维重建实时改进相机跟踪和重构方面的错误累积问题，并通过有效的闭环检测和在线全捆绑调整支持鲁棒的姿态估计和实时三维重建，同时在运行中实时更新隐式和连续的表面表示以确保全局一致性的三维重建，各种合成和真实世界数据集的结果表明，GO-SLAM 在跟踪鲁棒性和重建精度方面优于现有方法，并且具有多样性，可配合单目、立体和 RGB-D 输入工作。

Sep, 2023

本文在单目 SLAM 框架中嵌入了实时深度学习的目标检测器，将普通物体表示为四面体，进一步细化物体重建，检测附加平面标志并建模为独立地标志，可大幅提高系统的定位性能和语义地图的丰富程度。

Sep, 2018

本研究提出了一种新方法，通过基于对象的 SLAM 系统来推理对象的多个位姿假设，并将局部模糊信息综合成全局一致的机器人和地标姿态估计，有效提高了在对象位姿模糊情况下的 SLAM 系统鲁棒性。

Aug, 2021

本文提出了第一个确凿无疑的分布式姿态图优化算法，该方法基于稀疏半定松弛，使用低秩 Riemannian Staircase 框架进行分布式优化，具有全局最优解的保证，并且所有组成部分均为本地协作算法。

Nov, 2019

本文提供了 Lagrangian duality 用于多智能体下载定位与地图制作中关于质量评价的解决方案。我们讨论了 SLAM 推理问题改良后的概率基础形式，推导了相应的拉格朗日对偶问题，并讨论了原始问题和对偶问题之间的关系。我们证明了可以在从对偶问题获得的情况下，计算 SLAM 问题的最优解并提供质量证书。

Jun, 2015