点击上方“视学算法”，选择“星标”

干货第一时间送达

整理：公众号@智车科技

本文仅做学术分享，如有侵权，请联系删除。

这是一个arXiv上2020年6月底上传的综述“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence“，作者来自英国牛津大学，文章覆盖了odometry、mapping和SLAM等。

这是一个arXiv上2020年6月底上传的综述“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence“，作者来自英国牛津大学，文章覆盖了odometry、mapping和SLAM等。

如图给出了传统方法和学习方法的比较：X是传感器数据，Y是目标（运动、姿态和几何+语义等）。

关于深度学习在这个领域的应用，作者给出了如下的分类：

而这里给出综述的全貌，也是以上模块在所构成系统的相互关系图：

这是odometry的方法列表：分视觉、视觉-惯导和激光雷达三个类。

下面这张图告诉我们：非监督方法还是比监督方法误差大，深度学习和传统方法的混合精度不错。

这是mapping的方法列表：区别很大的在于地图表示，几何、语义以及同时包括几何和表观的表示。

定位模式分多种：2D-to-2D localization；2D-to-3D localization；3D-to-3D localization。

先看2D-2D定位：这里2D地图可以是显式地或者隐式（NN模型），如图所示。

如下表是对应的方法列表。

再说2D-3D定位方法：如图是一个示意图，特征描述匹配的基础上做PnP得到pose，而NN模型直接回归得到定位。

对应的方法列表如下。

最后一个3D-3D定位：主要是激光雷达点云数据而言。其示意图如下：CNN+RNN回归pose

方法列表如下。

SLAM技术，文章分成模块来讨论，即Local optimization，Global optimization ，Keyframe detection，Loop-closure detection 和 Uncertainty Estimation等。

列出方法如下表：

最后给出的Open problems：

1. End-to-end model vs. hybrid model：前者对数据要求太大，后者可以考虑一些priori知识。

2. Unifying evaluation benchmark and metric：目前只有Kitti比较公认的benchmark，感觉还是太不足了。

3. Real-world deployment：实时性要求，自监督和在线学习的能力。

4. Lifelong learning：可规模化和扩展性问题。

5. New sensors：一些没有重视的传感器，比如event camera, thermo camera, mmwave device, radio signals, magnetic sensor等等。

6. Scalability：更大的环境，比如郊区、室外等等。

7. Safety, reliability and interpretability：目前DL应用都关心的问题，AI的不确定性、自动驾驶的安全性以及NN模型的可解释性。

本文仅做学术分享，如有侵权，请联系删文