提出一种基于 LightGlue 深度学习网络的视觉 SLAM 系统，用于解决传统基于手工特征和深度学习方法在低光和强光变化环境下鲁棒性和准确性不足的问题。在 KITTI、EuRoC、TUM 和 4Season 四个公开数据集以及实际校园场景中全面测试，实验结果表明该方法在适应低光和强光变化环境中比传统手工特征和深度学习方法具有更好的准确性和鲁棒性，并且能够实时在 GPU 上运行。

May, 2024

本文回顾了 Visual-SLAM 领域中采用基于深度学习等基于数据驱动的方法来解决传统基于几何模型的技术在复杂环境中难以处理的 SLAM 问题的最新进展，并探讨了其面临的挑战和发展机遇。

Sep, 2022

DK-SLAM 是一种单目视觉 SLAM 系统，使用自适应深度特征进行特征提取和匹配，采用多项式约束进行位姿估计，使用基于二值特征的在线循环闭环模块来减少累积定位误差，并在公开数据集上展示了其高效性能。

Jan, 2024

介绍了一种使用语义特征的视觉惯性里程计系统 SemanticSLAM，可以在室内环境中进行可靠的相机定位，改善位姿估计并生成语义地图，可用于路径规划、避障和机器人导航等下游任务。

Jan, 2024

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的自我监督的 SLAM（iSLAM）框架，通过前后端之间的互补纠正，大幅提高了系统的泛化能力，实现了高达 45% 的精度提升。这是第一个自我监督的 SLAM 系统，表明前端和后端可以共同学习，在不需要外部监督的情况下相互促进。

Jun, 2023

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

本研究针对移动机器人在动态和复杂环境下自主导航和任务执行的困难，提出了一种基于 LiDAR 和单目视觉 SLAM 的紧耦合几何特征融合框架方法，是当前多模态方法中姿态估计更为精确和健壮的。

Jul, 2023

本文综述了基于事件相机的 vSLAM 算法，介绍了事件相机及其预处理的事件数据的各种事件表示方法，并将基于事件相机的 vSLAM 方法分为四类，包括基于特征的、基于直接法的、基于运动补偿的和深度学习的方法，并对每种方法进行了详细的讨论和实用指导。此外，该文对各类方法在不同基准测试中的表现进行了评估，突出了当前这一新兴研究领域面临的挑战和未来的机遇。

Apr, 2023

通过综述和提出分类法，本文基于深度学习对定位和制图的研究方法进行探讨，并希望成为将来研究人员应用深度学习解决视觉定位和制图问题的指南。

Aug, 2023