牛津大学最新综述:基于深度学习的SLAM方法,面向空间机器智能时代
基于深度学习的定位与建图技术近年来受到了广泛的关注。不同于利用物理模型或几何理论的人工设计的(crating hand-designed)算法,深度学习方法提供了一种以数据驱动的方式解决问题的替代方案。得益于不断增长的数据量和计算能力,这些方法可以生成用于跟踪运动和估计真实世界场景结构的,准确且鲁棒的系统,并正在快速发展成为一个新的研究领域。在本次工作中,我们整理出了一篇综述,并提出了一种对于现有的基于深度学习的定位和建图方法新的分类方式。我们还论述了当前模型的局限性,并指出未来可能的发展方向。(本文)涵盖了范围广泛的主题(从基于学习的里程计估计、建图到全球定位和 SLAM)。我们重新讨论了车载传感器感知自身运动和场景时(可能存在)问题,并展示了如何通过将这些模块集成到未来的空间机器智能系统(SMIS)中来解决这个问题。我们希望这项工作能够将来自机器人学、计算机视觉和机器学习领域的新兴研究成果联系起来,并为未来研究人员了解应用深度学习技术解决定位和建图问题的可行性方法提供指导。