SLAM的发展及未来（传统SLAM与深度学习）

SLAM的未来发展之路，需要解决的问题

1.到场景中解决鲁棒性问题，解决差那么一点的问题，无人驾驶解决动态行人遮挡，水下SLAM解决有阻力和折射的问题
2.落地，加多传感器融合，偏向解决定位定姿问题，mapping解决不太好，无人机做避障需要把mapping做好，稀疏点云不太好
3.动态环境的处理，传感器融合，极限环境的条件下的处理
4.GPS紧耦合进系统 激光紧耦合进系统
5.解决极限环境下SLAM的问题，如无人机在两三百米高空 自动驾驶周围百分之八十都动，晚上炫光

深度学习对SLAM的影响

1.对传统的SLAM做补充，使性能更加鲁棒和完善
2.将深度学习嵌入到传统SLAM
3.弱纹理场景下，做很好的补充，底层特征，极限环境如强光，夜晚，退化情况
4.语义层的补充，反馈到底层特征，对底层特征做约束
5.将系统的三维视觉的理论与深度学习的神经网络的融合
6.深度预测，弥补在mapping的不足，将预测结果与传统方法融合
7.降维及提供底层特征

分辨率对视觉SLAM的影响

.图像质量还可以的话，在640*480的话效果还是比较好的

动态SLAM有没有好的解决办法

1.纯视觉比较难
2.加入其他传感器融合的话，可以比较好解决
3.明确对谁进行SLAM，因为相机定位是相对的，是相对静止场景还是动态目标进行定位，如无人驾驶需要识别出动态复杂的东西，将其去掉。若对人体做AR，需要对动态目标进行建模，对动态物体进行定位

无人机、自动驾驶上哪种SLAM方案更有前景？视觉SLAM还是激光SLAM？

1.无人机上视觉和惯导比较有前景，激光太重了，无人驾驶激光和惯导融合
2.无人机以视觉为主，自动驾驶以激光为主，但是激光雷达太贵，使用寿命短；深度学习取得突破性的进展，车上装了很多摄像头同时跑，对鲁棒性的性能得到很大的提升。
3.无人机，视觉+惯导，飞机飞到高的地方，系统数字通信差，可将GPS考虑在SLAM中，进行融合，同时解决室内室外的问题
4.激光稳定性远远高于视觉SLAM
5.激光在远处比较稀疏，如在高速路上一二百米之外，视觉(长焦加广角)即使在很远也能达到比较稠密，所以多传感器融合比较好使