[LiteratureReview]A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial

出处：arXiv 2020（Citations：65）

Paper：https://arxiv.org/abs/2006.12567

github：https://github.com/changhao-chen/deep-learning-localization-mapping

阅读的出发点：从 如何写一篇Review/Survey 的角度看这篇综述论文，没有牵扯到比较深层次的内容；

文章整体：文章名称还给了一个补充：Towards the Age of Spatial Machine Intelligence，即迈向空间机器智能时代（Introduction中做了略微的解释）；正文19面，参考文献255篇；感觉作者这个8节的目录有点乱，没有什么联系，第二节Taxonomy of Existing Approaches还特意介绍了方法分类（即目录）。

Notes

Abstract：上来直接夸这个课题方向多热门，相关工作很多；然后开始引入综述论文，。

1. Introduction

（如何讲故事）方向标题的基本概念，上游的任务；其中基本概念包括子方向的基本概念，因为综述论文可能是两个或者多个方向的融合。

• 1.1Why to Study Deep Learning for Localization and Mapping：这部分在介绍这个课题具体方法研究的重要性，也就是研究这个课题的潜力。（这个部分就直接对接要入门这个领域的研究者）；这里给了图1：一个很简单的吧输入输出关系图。

• 1.2. Comparison with Other Surveys：简述了和其他Review/Surveys，以及对比情况，然后说本篇文章对应的方向领域很有意义，同时难度很大，也是第一篇xxx的工作。
• 1.3. Survey Organization：Review/Surveys论文很长，一般都会说说自己文章的组织（也是充字数）

2. Taxonomy of Existing Approaches

该部分就介绍了现有方法及其分类，给了图2：这个领域的方法分类图，细分了子领域和各自领域中的方法，这个图是综述论文必不可少的一张图；该部分还简要介绍了下面各个章节3. Odometry Estimation、4. Mapping、5. Global Localization、6. SLAM的主要问题定义和思想。

这里给了图3：一个方法分类在整体框架上的大图，图中还涉及到具体的论文索引。

3. Odometry Estimation

这里就拆分成子领域和具体的领域方法类别开始介绍，比如Odometry Estimation包括：VO、VIO、IO、LO，其中VO又包括：Supervised Learning of VO、Unsupervised Learning of VO、Hybrid VO；最后对几种类型的VO进行了比较。

• 3.1 Visual Odometry：这里介绍了该部分的工作，给了部分简短的公式；图4：两种不同类型的VO网络框架的对比，框架图完全摘自参考论文，只是把两张图放到了一起；这里还在每节的末尾给出了自己看的看法/总结；图5：这里画了张图，对比不同种类的方法在KITTI数据集上的效果，x轴是时间。

• 3.2. Visual-Inertial Odometry：先介绍一下方法再引入工作，最后有总结。
• 3.3. Inertial Odometry：同上。
• 3.4 LIDAR Odometry：同上。感觉作者侧重（or bias，亦或说这个领域的工作就是这个分别）在VO上，VIO、LO、IO介绍的都很少。
• 3.5. Comparison of Odometry Estimation：这里就是以KITTI数据集上各个算法的效果进行对比分析总结；表1：汇总了上面的各个方法并进行了对比列出来，标注了分类、Model、传感器、dl方法（监督/无监督/混合）、KITTI两个序列上的表现、以及贡献点。

4. Mapping

给了Mapping的定义，本节组织结构；表2：总结了Mapping部分的相关方法。

• 4.1. Geometric Mapping：分几类分别叙述；图6：给出了不同表示方式的可视化。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IDwlkaGC-1660052018032)(C:\Users\DELL\Desktop\Object-SLAM-Review\Review_Paper\Other-Review\Review_Demo[Review_Demo]A Survey on Deep Learning for Localization and Mapping\IMG\6.png)]

• 4.2. Semantic Map：同上。图7：不同表示方式的可视化。

• 4.3. General Map：叙述相关方法。

5. Global Localization

这里给下面几个细分的子领域，每个领域都花了一张图，表2、表3、表4，和表1的格式类似。

• 5.1. 2D-to-2D Localization：介绍相关工作；

• 5.2. 2D-to-3D Localization：介绍相关工作；

• 5.3. 3D-to-3D Localization：介绍相关工作；感觉dl直接怼网络框架对比图也是绝了；

6. SLAM

简要介绍SLAM，表6：下面不同方向的方法表格（这表格好捞啊，那么简单）

• 6.1. Local Optimization、6.2. Global Optimization、6.3. Keyframe and Loop-closure Detection、6.4. Uncertainty Estimation：简要介绍相关方法。

7. Open Questions

该部分列举了几个问题，包括：不同方法的对比、深度学习方法在真实世界的对比、新型传感器以及其他指标效果，

8. Conclusions

总结一下本文的工作量，聊了一下领域的情况，畅想未来。

Personal Summary

1. 综述论文的出发点

综述论文的目的是在于帮助领域初学者梳理领域基本问题、现状、方法分类、各个方法的优缺点、SOTA、目前的问题以及未来的发展趋势，所以综述论文应该从初学者读者阅读角度思考撰写。

2. 文章组织框架

按照这篇论文的情况，将一个topic划分为不同方面，在不同方面划分成不同小领域，在不同小领域上按照方法的不同进行分析对比、叙述。

3 . 如何判断一个方向现在适不适合写Review

参考上面2，判断一个方向能不能写综述，我觉得应该看你能不能把这个方向 不同方面 划分开，再将不同方面下的不同方法展开成小领域分支，最后看是否有相应的论文在小领域上支撑起内容

另外涉及到统一子领域不同方法之间的对比，需要统一的榜单（即数据集）上进行对比参考。

4. 本文总结

本文按照一个比较标准的综述文献书写方式，并在很多地方表达了作者自己的看法和意见。