slam常识小记

1.slam++:   将目标检测（objections detection）与slam结合。

2.SemanticFusion:  在elastic fusion的基础上，通过cnn神经网络来进行语义分割。

3.PointNet：（offline）处理点云数据的深度学习模型.可以进行多种认知任务，如分类、语义分割和目标识别。（详细内容看这里）

（待更新）

一. 点云特征

点云数据是在欧式空间下的点的一个子集，它具有以下三个特征：

1）无序性。

点云数据是一个集合，对数据的顺序是不敏感的。这就意味这处理点云数据的模型需要对数据的不同排列保持不变性。目前文献中使用的方法包括将无序的数据重排序、用数据的所有排列进行数据增强然后使用RNN模型、用对称函数来保证排列不变性。

2）点与点之间的空间关系

一个物体通常由特定空间内的一定数量的点云构成，也就是说这些点云之间存在空间关系。可以通过一些局部特征和全局特征来提取信息。

3）不变性。

点云数据所代表的目标对某些空间转换应该具有不变性，如旋转和平移。

二. 认知——点云数据处理方式

1）将点云数据投影到二维平面。此种方式不直接处理三维的点云数据，而是先将点云投影到某些特定视角再处理，如前视视角和鸟瞰视角。同时，也可以融合使用来自相机的图像信息。通过将这些不同视角的数据相结合，来实现点云数据的认知任务。比较典型的算法有MV3D和AVOD。

2)  将点云数据划分到有空间依赖关系的voxel。此种方式通过分割三维空间，引入空间依赖关系到点云数据中，再使用3D卷积等方式来进行处理。这种方法的精度依赖于三维空间的分割细腻度，而且3D卷积的运算复杂度也较高。