SLAM综述科普性文章

持续更新，有好的文章大家可以评论补充…

(1)基于特征点的视觉全局定位技术

文章链接：
https://mp.weixin.qq.com/s/OHjvbAXVLd3ofUZ5AnWFng
由于主流基于视觉定位算法的核心思想一脉相承，所以本文仅从一系列重要算法框架组件角度，介绍了目前实践中最常用的、基于特征点的全局定位算法，即在地图坐标系下进行定位。本文省略了其中涉及到的优化、几何约束公式推导，旨在给同学们一个定位算法的宏观介绍，具体细节可以参考相关文献和书籍。

(2)激光/视觉SLAM及融合与深度学习技术综述

SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。
本系列文章主要分成四个部分：
在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。
链接：https://mp.weixin.qq.com/s/e8nN9OJo4RLdLGuMYDneGQ
第二部分重点介绍了Visual SLAM，包括相机传感器，不同稠密SLAM的开源视觉SLAM系统。
SLAM综述(2)-视觉SLAM链接：
https://mp.weixin.qq.com/s/8M4G2ZUs4zA2qQ9UXgIrnQ
第三部分介绍视觉惯性里程法SLAM，视觉SLAM中的深度学习以及未来。
SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM 链接：
https://mp.weixin.qq.com/s/xDNCZhPRuVIdqWlkUxI0kA
第四部分中，将介绍激光雷达与视觉的融合。
SLAM综述(4)激光与视觉融合SLAM 链接：
https://mp.weixin.qq.com/s/SIsy0ivRi5Ckt_EzyRnI0Q

(3)导航系统中里程计研究综述

文章：A Survey on Odometry for Autonomous Navigation Systems
作者：SHERIF A. S. MOHAMED , MOHAMMAD-HASHEM HAGHBAYAN, TOMI WESTERLUND
文章介绍：
https://mp.weixin.qq.com/s/_mUMMDBtxbQU0oDc0Kpw8Q
简要介绍：
自主导航系统的开发是构建完全自动驾驶系统的主要挑战之一。完全自主导航不仅要求在GPS信号正常情况下完美工作，而且在GPS不可靠的情况下也能够具有可靠的导航能力。因此，基于里程计系统近年来备受关注。本文对非GPS下的多传感器的里程系统领域的技术现状进行了全面的概述，并确定了未来需要进一步研究的面临的挑战。自给式（就是没有GPS也能计算出车辆自身的位姿）里程计方法分为五种主要类型，即车轮、惯性、激光、雷达和视觉，以上分类主要是依据传感器的类型进行分类的里程计的方法。该领域的研究大多集中在对传感器数据进行全局或局部分析的基础上，来计算车辆的姿态。研究了传感器数据以紧耦合/松耦合方式以及滤波或优化融合方法的不同组合和融合。我们从性能、响应时间、能量效率和准确度等不同的评价指标来分析每种方法的优缺点，为该领域的研究人员和工程师提供有用的指导。最后，对该领域未来的研究方向进行了展望。

(4)基于深度学习的单目深度估计综述

文章：Monocular Depth Estimation Based On Deep Learning: An Overview
作者：Chaoqiang Zhao, Qiyu Sun, Chongzhen Zhang
论文摘要：
深度信息对于自动驾驶系统的感知和估计自身位姿是十分重要的。传统的深度估计方法，如运动恢复结构和立体视觉匹配，都是建立在多视点的特征对应上的，并且预测的深度图是稀疏的。从单个图像中推断深度信息（单目深度估计）是一个不适定问题。近年来，随着深度神经网络的迅速发展，基于深度学习的单目深度估计得到了广泛的研究，并取得了良好的精度。比如利用深度神经网络对单个图像进行端到端的稠密深度图估计。为了提高深度估计的精度，之后提出了不同的网络结构、损失函数和训练策略。因此，本文综述了目前基于深度学习的单目深度估计方法。首先，我们总结了几种在基于深度学习的深度估计中广泛使用的数据集和评价指标。此外，根据不同的训练方式，我们回顾了现有的一些有代表性的训练方法：有监督的、无监督的和半监督的。最后，我们讨论了单目深度估计的挑战，并对未来的研究提出了一些设想。
简介链接：
https://mp.weixin.qq.com/s/BlLyxs6C_2_rFtq55F6wZA

(5)点云深度学习论文综述

文章：Deep Learning for 3D Point Clouds: A Survey
作者：Yulan Guo , Hanyun Wang , Qingyong Hu
简介链接：
https://mp.weixin.qq.com/s/AOOyvzMxYwmP5SRMwZudwA

这是一篇全面涵盖多个重要点云相关任务的深度学习方法的综述论文，包括三维形状分类、三维目标检测与跟踪、三维点云分割等；相对于已有的综述文章，本文更加关注三维点云的深度学习方法，而不是所有类型的三维数据；’介绍了点云深度学习的最新进展。因此，它为读者提供了最先进的方法；提供了现有方法在几个可公开获得的数据集上的全面比较，并提供了简要的总结和深入的讨论。

2020年最新点云深度学习综述
标题：Review: deep learning on 3D point clouds
作者：Saifullahi Aminu Bello 1;2, Shangshu Yu1, Cheng Wang
简介链接：
https://mp.weixin.qq.com/s/S–UH01LyEBxoAVpJ8S7ag