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

本文介绍了 MG-SLAM，一种单目高斯 SLAM 系统，其特点是具有语义扩展的环路闭合模块，能够在进行漂移校正的同时实现高保真度的重建和对环境的高层次理解。该系统通过将全局地图表示为 3D 高斯，并将其用于指导场景几何估计，从而减轻缺失深度信息的工作量。此外，基于 CLIP 特征的语义扩展环路闭合模块可以持续进行全局优化，以纠正系统运行期间累积的漂移错误。我们的系统在多个具有挑战性的数据集上取得了令人期待的跟踪和建图结果，甚至超过了一些现有的 RGB-D 方法。

May, 2024

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

使用全局优化的方式，Loopy-SLAM 将神经 RGBD SLAM 方法应用于密集的同时定位与建图任务中，解决了摄像机跟踪过程中的误差累积和地图扭曲的问题。

Feb, 2024

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

本文介绍了 ORB-SLAM，一种基于特征的单目 SLAM 系统，能够实时运行，在小型和大型、室内和室外环境中运行，并具有鲁棒性、宽基线环路闭合和重定位等特点。

Feb, 2015

MoD-SLAM 是一种基于神经网络的单目稠密建图方法，通过使用单目深度估计来优化场景重建，并利用闭环检测来更新相机姿态，实现实时在无边界场景中进行全局姿态优化和三维重建。与以往神经网络建图方法相比，我们的方法更加稳健、可扩展和多功能，在大型无边界场景中表现出更卓越的建图性能。

Feb, 2024

我们提出了一种新的方法来解决在混合单目 SLAM 中需要维护不同的本地和全局地图表示的问题，通过使用描述符共享来生成单个反深度场景表示，消除了分离且冗余的地图维护过程，并在本地中使用、全局查询以执行闭环，之间的多地图不漂移，且计算成本和内存占用仅为其他单目 SLAM 系统的一小部分。

Jun, 2023

本文提出了 Edge SLAM 算法解决了 feature-based SLAM 在低纹理环境下不可靠的问题，通过边缘点追踪和三视图几何关系进行点对应匹配，采用新颖的本地优化技术估计新相机从而实现了同时对纹理和低纹理环境下可靠的视觉 SLAM。

Jan, 2019

稀疏关键点匹配改善了点云配准的效率和稳健性。该研究提出了一种基于多任务全卷积网络和概率检测损失的紧密耦合的关键点检测器和描述子 (TCKDD)，并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明，TCKDD 在点云配准中取得了最先进的性能。此外，我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架 (KDD-LOAM)，其实时里程计依赖于基于关键点描述子匹配的 RANSAC。稀疏关键点进一步用于高效的扫描至地图配准和建图。在 KITTI 数据集上的实验证明，KDD-LOAM 明显优于 LOAM，在里程计方面表现出有竞争力的性能。

Sep, 2023