ORB-SLAM3 是第一个能够使用针孔和鱼眼镜头模型的单目、立体和 RGB-D 相机执行视觉、视觉惯性和多地图 SLAM 的系统，并且具有两个主要的创新点：完全依赖于最大后验概率估计的基于特征的紧耦合视觉惯性 SLAM 系统和使用改进的召回率的新的场所识别方法的多地图系统，该系统在所有的传感器配置中都像文献中最好的系统一样健壮，并且显著提高了精度。

Jul, 2020

ORB-SLAM2 是一个用于单目、双目以及 RGB-D 相机的完整的 SLAM 系统，包括地图重用、回环闭合和重定位能力，利用纯视觉观测、双目视觉观测和 RGB-D 相机，在各种环境下都能实时工作。其基于捆绑调整的后端可以在实现度规尺度精确的同时实现高精度的轨迹估计。通过在 29 个流行的公共数据集上的评估，证明 ORB-SLAM2 的精度达到了最新的最佳结果，因此我们将其开源以便于 SLAM 社区以及其他领域的研究人员使用。

Oct, 2016

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

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

DROID-SLAM 是一个基于深度学习的 SLAM 系统，具有高精度和鲁棒性，在测试时可以利用立体或 RGB-D 视频来提高性能。

Aug, 2021

提出了一种将轻量级深度完成网络集成到稀疏 SLAM 系统中的新方法，使得即使在移动手机上也可以在线进行稠密建图，具有广泛的 AR/VR 应用价值。通过对多尺度深度表示进行优化，通过 BBC-Net 网络对稀疏点云进行多平衡基和置信度图的预测，最终的深度是通过线性组合权重进行优化，同时设计了一组深度权重因子以确保效率和鲁棒性，并将该方法集成到两个代表性 SLAM 系统中，实验证明了该方法在单目稠密建图方面的优越性。

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

该研究论文利用学习到的紧凑深度图表示和重构三种不同类型的误差，将光度误差，重投影误差和几何误差应用于标准因子图软件中，将不同的方法统一到概率框架中，实现实时性能的同时对现实世界序列的轨迹估计和深度重建进行评估，并呈现了估计的丰富几何示例。

Jan, 2020

本论文研究了 360 图像的深度估计问题，提出了使用重新渲染的 3D 在线数据集来解决缺乏高质量 360 数据集的挑战，并使用这个数据集实现了端对端的深度估计模型

Jul, 2018

本文介绍了 PL-SLAM 方法，它使用点和线段相结合的方式来实现在低纹理环境下的 SLAM，同时也介绍了一种新的基于词袋的回环闭合算法，使得得到的地图更为丰富，使用 KITTI 和 EuRoC 数据集进行测试，结果表明其在大部分实验中均具有比 ORB-SLAM 更为稳健的性能，且可以实时运行。

May, 2017