可微分 SLAM 帮助基于深度学习的激光雷达感知任务

Sep, 2023

可微分 SLAM 帮助基于深度学习的激光雷达感知任务

Differentiable SLAM Helps Deep Learning-based LiDAR Perception Tasks

Prashant Kumar, Dheeraj Vattikonda, Vedang Bhupesh Shenvi Nadkarni, Erqun Dong, Sabyasachi Sahoo

TL;DR通过不同 iable SLAM 架构在自我监督方式下训练端到端深度学习模型，我们调查了一种新的方法，在各种基于 LiDAR 的应用中。我们的研究发现，这种使用 SLAM Loss 信号来训练 LiDAR 模型的新范式可以通过社区轻松采用，并提供了提高 LiDAR 导航系统性能的重要见解。

Abstract

We investigate a new paradigm that uses differentiable slam architectures in a self-supervised manner to train end-to-end deep learning models in various LiDAR based applications. To the best of our knowledge the

differentiable slam architectures lidar-based applications deep learning models performance improvement navigation systems

发现论文，激发创造

gradSLAM：自动化可微分 SLAM

提出了一种叫 gradSLAM 的方法，将传统的 SLAM 系统转化为可微分的计算图，并融合了表示学习和深度学习技术，让 SLAM 系统具备了梯度反向传播能力，从而更好地进行优化和学习任务。

Oct, 2019

可微分 SLAM 网络：学习视觉导航的粒子 SLAM

通过 Differentiable SLAM Network（SLAM-net）和导航架构，实现以前未见过的室内环境的平面机器人导航，SLAM-net 编码了具有可微分特性的粒子滤波器算法，通过 SLAM 算法反向传播来学习基于任务的神经网络组件。

May, 2021

基于深度学习特征的单目视觉 SLAM 方法：LIFT-SLAM

提出一种新型的 VSLAM 系统 LIFT-SLAM，将基于深度学习的特征描述符与传统基于几何的 VSLAM 相结合，实现在保证鲁棒性的前提下，提高传统 VSLAM 系统的性能，并通过实验证明所提出的方法可实现和当前最先进的技术水平相媲美的性能，并且其对传感器噪声具有鲁棒性。同时，通过避免特定数据集的参数调整，增强了所提出 VSLAM 管线的性能。

Mar, 2021

SuMa++：高效 LiDAR 语义 SLAM

本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法，实现了对运动物体的有效滤波和语义信息约束下的扫描匹配，与现有基于几何约束的方法相比，实验结果表明其性能更优。

May, 2021

DeepPointMap: 提升 LiDAR SLAM 的统一神经描述符

我们提出了一种名为 DeepPointMap 的统一架构，利用神经网络从点云中提取高度代表性和稀疏的神经描述符，实现了内存高效的地图表示和准确的多尺度定位任务，并通过将其扩展到多项协作环境证明了其框架的多功能性、有效性和潜力。

Dec, 2023

IMLS-SLAM: 基于 3D 数据的扫描匹配与建模

基于 3D LiDAR 数据的低漂移 SLAM 算法，使用扫描到模型匹配框架和隐式移动最小二乘（IMLS）表面表示，通过 KITTI 基准测试在全球漂移率仅为 0.69％。

Feb, 2018

F-LOAM: 快速激光雷达里程计与地图构建

本文提出了一个计算高效、准确的 LiDAR 基于 SLAM 的通用解决方案，主要采用了非迭代两阶段畸变补偿方法、两个匹配模块，并考虑了局部光滑性进行迭代姿态优化，实验结果表明在自主驾驶和仓库自动引导车的定位上表现均相当好，提供了一个性能和计算成本之间很好的平衡。

Jul, 2021

深度学习在定位和地图制图中的研究：迈向空间智能的时代

本研究对以深度学习为基础的定位和建图方法进行全面调查和分类，讨论了目前模型的局限性，并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图（SLAM）等广泛的话题，探讨了利用车载传感器来感知自我动作和场景理解的问题，并展示了如何将这些模块集成到 SMIS 中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作，并为未来研究者提供指南，应用深度学习来解决定位和绘图问题。

Jun, 2020

iSLAM：命令式 SLAM

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

基于深度语义分割和新型异常值检测的改进 LiDAR 里程计与建图

使用深度学习模型产生语义信息以提高 LiDAR 扫描的点对线和点对面匹配，并构建环境的语义地图，应用于快速移动平台，提高 LiDAR 测距与建图的鲁棒性。

Mar, 2024