一些基于深度学习的视觉里程计/SLAM开源代码

最新推荐文章于 2025-04-01 10:38:36 发布
最新推荐文章于 2025-04-01 10:38:36 发布
阅读量2.6k 收藏 35
点赞数 3

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

作者：黄浴

https://zhuanlan.zhihu.com/p/139150194

本文转载自知乎，作者已授权，未经许可请勿二次转载。

这里重点是摄像头运动估计和定位，不是地图或者路标（landmark）。以前大家都知道SLAM结合深度学习最多的是语义SLAM，比如语义分割和语义目标识别。而这里强调的是里程计和定位。另外，忽略一些特征提取和匹配的方法。

1.DEMON

https://github.com/lmb-freiburg/demon

其方法如图所示

2. SfM Learner

https://github.com/tinghuiz/SfMLearner
方法如图

3. LEGO

https://github.com/zhenheny/LEGO

方法如图

4. Vid2Depth

https://sites.google.com/view/vid2depth

方法如图

5. DeepMatchVO

https://github.com/hlzz/DeepMatchVO

方法如图

6. DeepVO

ChiWeiHsiao/DeepVO-pytorch

krrish94/DeepVO

方法如图

7. DDVO

https://github.com/MightyChaos/LKVOLearner

方法如图

8. MonoDepth2

https://github.com/nianticlabs/monodepth2

方法如图

9. Depth VO Feat

Huangying-Zhan/Depth-VO-Feat

方法如图

10. SC SfM Learner

https://github.com/JiawangBian/SC-SfMLearner-Release

方法如图

11. GeoNet

https://github.com/yzcjtr/GeoNet

方法如图

12. Nvidia CC

https://github.com/anuragranj/cc

方法如图

13. DOP Learning

https://github.com/guangmingw/DOPlearning

14. EPC

https://github.com/chenxuluo/EPC

方法如图

15. DF-VO

https://github.com/Huangying-Zhan/DF-VO

算法如图

16. struct2depth

https://sites.google.com/view/struct2depth

方法如图

17. DF-Net

http://yuliang.vision/DF-Net/

方法如图

18. Samsung Odometry

https://github.com/saic-vul/odometry

方法如图

19. SfM-Net

https://github.com/augustelalande/sfm

方法如图

20. CNN-SVO

https://github.com/yan99033/CNN-SVO

方法如图

21. DeepTAM

https://github.com/lmb-freiburg/deeptam

方法如图

22. Active Neural SLAM

https://github.com/devendrachaplot/Neural-SLAM

方法如图

推荐阅读：

吐血整理|3D视觉系统化学习路线

那些精贵的3D视觉系统学习资源总结（附书籍、网址与视频教程）

超全的3D视觉数据集汇总

大盘点|6D姿态估计算法汇总(上)

大盘点|6D姿态估计算法汇总（下）

机器人抓取汇总|涉及目标检测、分割、姿态识别、抓取点检测、路径规划

汇总|3D点云目标检测算法

汇总|3D人脸重建算法

那些年，我们一起刷过的计算机视觉比赛

总结|深度学习实现缺陷检测

深度学习在3-D环境重建中的应用

汇总|医学图像分析领域论文

大盘点|OCR算法汇总

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会（ICRA/IROS/ROBIO/CVPR/ICCV/ECCV等）、顶刊（IJCV/TPAMI/TIP等）、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近1000+星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

60项基于深度学习的SLAM顶会开源方案汇总（上篇）
3D视觉工坊
12-29 1043
点击进入—>3D视觉工坊学习交流群0. 笔者个人体会深度学习结合SLAM是近年来很热门的研究方向，也因此诞生了很多开源方案。笔者最近在阅读SLAM综述论文“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence”，该综述参考了255篇SLAM...
计算机视觉与深度学习 ｜ 视觉SLAM学习思路总结与视觉SLAM发展历程（1986年至2025年）
最新发布
尘世冰封的专栏
04-10 228
一、基础准备数学基础线性代数：矩阵运算、特征值分解、奇异值分解（SVD）、最小二乘法。微积分与优化：梯度下降、牛顿法、非线性优化（如高斯-牛顿法、Levenberg-Marquardt算法）。概率与统计：贝叶斯滤波、卡尔曼滤波（KF/EKF）、粒子滤波（PF）。几何：三维空间变换（欧拉角、四元数、李群/李代数编程基础语言：C++（主流SLAM框架如ORB-SLAM、VINS用C++）、Python（快速原型验证）。工具库。
基于深度学习的视觉SLAM综述
跑得动就不要歇着
02-26 5674
下面来介绍一下深度学习的视觉SLAM综述，具体如下： 同时定位与地图构建（SLAM）是机器人搭载视觉、激光、里程计等传感器，对未知环境构建地图的同时实现自定位的过程，在机器人自主导航任务中起着关键作用。当前SLAM问题的研究手段主要是通过在机器人本体上安装多类型传感器来估计机器人本体运动信息和未知环境的特征信息，利用信息融合实现对机器人位姿的精确估计以及场景的空间建模。尽管SLAM采用的传感器有...
SuperSLAM：引领视觉SLAM领域的深度学习开源系统
gitblog_00666的博客
04-01 844
SuperSLAM：引领视觉SLAM领域的深度学习开源系统 SuperSLAM SuperSLAM: Open Source Framework for Deep Learning based Visual SLAM (Work in Progress) ...
基于深度学习的视觉 SLAM 综述
强化学习曾小健
07-29 1211
引言（Introduction） 同时定位与地图构建（SLAM）是机器人搭载视觉、激光、里程计等传感器，对未知环境构建地 图的同时实现自定位的过程，在机器人自主导航任 务中起着关键作用 [1-4]．当前 SLAM 问题的研究手 段主要是通过在机器人本体上安装多类型传感器来 估计机器人本体运动信息和未知环境的特征信息， 利用信息融合实现对机器人位姿的精确估计以及 场景的空间建模．尽管 SLAM 采用的传感器有激 光和视觉等多种类型，但其处理过程一般包含 2 个 部分 [5] （如图 1 所示）：前端帧间估计
基于深度学习的视觉SLAM 综述
11-22
基于深度学习的视觉SLAM 综述 赵洋，刘国良，田国会，罗勇，王梓任，张威，李军伟 （山东大学控制科学与工程学院，山东济南250061） 摘要：综述了深度学习技术应用到同步定位与地图创建（SLAM）领域的最新研究进展，重点介绍和总结 了深度学习与帧间估计、闭环检测和语义SLAM 结合的突出研究成果，并对传统SLAM 算法与基于深度学习的 SLAM 算法做了深入的对比研究．最后，展望了未来基于深度学习的SLAM 研究发展方向． 关键词：深度学习；视觉SLAM；帧间估计；视觉里程计；闭环检测；语义SLAM 中图分类号：TP24 文献标识码：A 文章编号：1002-0446(2017)-06-0889-08
深度学习视觉里程计与图像匹配算法研究进展
资源摘要信息:"本文件围绕着视觉里程计、基于深度学习的图像匹配算法以及视觉SLAM技术进行了深入的研究和探讨。视觉里程计（Visual Odometry，简称VO）是一种利用连续视频帧图像来估计相机运动的方法，它可以提供...
SLAM 06.视觉里程计-3-直接法
jiankangyq的博客
08-12 2321
直接法跳过了提取特征点的步骤。它构建一个优化问题，直接根据像素信息（通常是亮度），来估计相机的运动。这种方法省去了提特征的时间，然而代价则是，利用了所有信息之后，使得优化问题规模远远大于使用特征点的规模。因此，基于直接法的VO，多数需要GPU加速，才能做到实时化。...
SLAM 05.视觉里程计-2-特征法
jiankangyq的博客
07-27 1435
前端的实现主要是视觉里程计，通过多个图片之间的特征值匹配，进行地图重建，同时得到相机机身的定位。主要分为特征点法和直接法。
基于深度学习的图像去雨（附tensorflow代码）
09-26
提出一种基于深度学习（卷积神经网络）的图像去雨框架，取得的效果优于已经存在的绝大多数方法
SLAM开源代码1.zip
10-07
SLAM开源代码，近年惯性视觉SLAM研究热点，SLAM领域高水平高质量代码汇总
java编写的深度学习代码例子大全
01-12
java编写的深度学习代码例子大全，Java深度学习的程序例子都有了。
slam 开源代码ptam and ptamm
03-14
在Win32平台下编译的ptam 与ptamm项目，摄像头是依赖与opencv库。
基于深度学习的视觉 SLAM 综述——赵洋 学习笔记
qin_liang的博客
09-08 1639
基于深度学习的视觉SLAM
基于深度学习的视觉SLAM综述_赵洋
weixin_44906423的博客
09-24 785
随读笔记 传统SLAM算法分为：帧间估计与后端优化两部分。 深度学习与帧间估计 无需特征提取、特征匹配和复杂的集合运算。 1.Konda 和 Memisevic提出基于端到端的深度神经网络 (1)提取图像序列深度和运动信息 利用乘性交互神经网络进行时序立体图像的同步检测，将立体图像序列之间的空间变换估计转换为同步检测，称为无监督同步/深度自动编码器(SAD-E)。 (2)图像序列速度与方向改变估计 将上一层SAD-E提取的运动和深度信息作为卷积神经网络层(CNN)输入，用以学习图像速度和方向改变。 2.Co
SLAM开源代码
m0_63647490的博客
03-22 1409
SLAM开源代码： ORB-SLAM ：https://github.com/raulmur/ORB_SLAM LSD-SLAM：https://github.com/tum-vision/lsd_slam ORB-SLAM2：https://github.com/raulmur/ORB_SLAM2 DVO（密集视觉测距）：https://github.com/tum-vision/dvo_slam SVO（半直接单眼视觉测距）：https://github.com/uzh-rpg/rpg_sv.
18.04deepvo
02-17
### 安装和配置 DeepVO 的步骤 #### 准备环境 为了在 Ubuntu 18.04 上成功安装并配置 DeepVO，需要确保操作系统已经更新至最新状态。这可以通过以下命令完成： ```bash sudo apt-get update && sudo apt-get upgrade -y ``` #### 安装依赖库 DeepVO 需要一些特定的 Python 库和其他软件包来支持其功能。这些可以使用 `pip` 和 APT 来安装。 对于 Python 包管理工具 pip 及其他必要的Python库: ```bash sudo apt install python3-pip pip3 install numpy opencv-python h5py tensorflow matplotlib scikit-image ``` 针对 C++ 编译所需的一些基础构建工具以及 Git 版本控制系统也需要被预先准备好： ```bash sudo apt install build-essential cmake git ``` 另外，根据之前遇到过的类似问题，在某些情况下可能还需要额外安装图像处理相关的库文件[^3]： ```bash sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main" sudo apt update sudo apt install libjasper1 libjasper-dev ``` #### 获取源码 通过 GitHub 下载最新的 DeepVO 源代码副本。假设读者已经有了 Git 已经正确安装，则可以直接克隆仓库： ```bash git clone https://github.com/uzh-rpg/rpg_deepvo.git ~/deepvo cd ~/deepvo ``` #### 构建项目 如果 DeepVO 提供了 Makefile 或者 CMakeLists.txt 文件用于简化编译流程的话，那么可以根据官方文档指示来进行本地化调整之后尝试编译整个工程。通常来说，CMake 是更常见的选择之一： ```bash mkdir build && cd build cmake .. make -j$(nproc) ``` #### 进一步配置 按照项目的 README.md 中给出的具体指导进一步定制环境变量、路径设置等细节部分。这部分内容高度依赖于具体的实现版本和个人需求，因此强烈建议仔细阅读作者提供的说明文档。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值