SLAM中使用深度学习的几种情况，确实基本是这三种，端到端，替换某一模块，或者语义SLAM

最新推荐文章于 2025-04-27 16:17:45 发布
最新推荐文章于 2025-04-27 16:17:45 发布
阅读量824 收藏 2
点赞数 2
分类专栏： 深度学习SLAM 文章标签： 深度学习 SLAM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_16643223/article/details/138183370
版权
这篇文章探讨了深度学习在SimultaneousLocalizationandMapping(SLAM)中的三种主要应用方式：端到端解决方案、特定模块的替换以及语义SLAM，详细介绍了这些方法如何提升定位和建图的精度.

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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）
尘世冰封的专栏
04-10 225
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。
Python深度学习实践：建立端到端的自动驾驶系统
AI天才研究院
06-06 1390
Python深度学习实践：建立端到端的自动驾驶系统 1.背景介绍 自动驾驶系统是当今科技领域最具挑战性和前景的应用之一。它融合了计算机视觉、深度学习、规划与控制等多个领域的先进技术,旨在实现车辆的自主感知、决策和操控。随着人工智能技术的不断发展,越来越多的公司和研究机构投入
EGST-UOAM：端到端生成式超声波SLAM框架
大山同学学习之路
01-10 923
EGST-UOAM：端到端生成式超声波SLAM框架
深度学习结合SLAM 研究现状总结 Co-Fusion MaskFusion
万有文的博客
07-15 1万+
深度学习结合SLAM 研究现状总结 本文github链接 1. 用深度学习方法替换传统slam中的一个/几个模块： 特征提取，特征匹配，提高特征点稳定性，提取点线面等不同层级的特征点。 深度估计 位姿估计 重定位 其他 目前还不能达到超越传统方法的效果， 相...
深度学习结合SLAM的研究思路/成果整理之（二）语义SLAM & 端到端
热门推荐
自己的学习笔记
12-13 2万+
查阅了一些资料，整理了关于语义SLAM的几篇论文。
端到端算法在SLAM中的应用：从理论到实践全解析
最新发布
GeekDongHuang的博客
04-27 843
端到端算法与SLAM技术的融合展现出了显著的创新性。传统SLAM流程在定位和地图构建过程中，各个环节相对独立，需要分别进行特征提取、数据关联、位姿估计和地图构建等操作，这使得整个系统的复杂度较高，且容易受到误差累积的影响。而端到端算法将输入数据直接映射到最终的输出结果，避免了传统流程中多个中间步骤的繁琐操作，大大简化了系统结构。传统SLAM流程的局限性主要体现在误差累积方面。
SLAM(Simultaneous Localization and Mapping)技术详解
极客代码
05-06 4032
在本文中，我们深入探讨了SLAM技术的各个方面，包括其核心概念、数学基础、算法实现、系统评估和面临的挑战。通过Python代码示例，我们提供了一个简化的SLAM流程，展示了如何在实践中应用这些概念。SLAM是一个多学科交叉的领域，它结合了计算机视觉、机器人学、概率论和优化理论等知识。随着技术的发展，SLAM已经从最初的基于滤波器的方法发展到现在的基于优化和深度学习的方法。这些进步使得SLAM系统能够在更加复杂和动态的环境中稳定工作。
SLAM与AI的强强联合
小虎哥哥爱学习-CSDN
03-14 1759
本文默认大家已经熟知SLAM、导航、常见AI算法（比如深度学习、强化学习、卷积神经网络、监督学习）等基本概念，不熟的小伙伴可以从我已经出版的书籍《机器人SLAM导航核心技术与实战》中进行系统性的学习。 《机器人SLAM导航核心技术与实战》https://zhuanlan.zhihu.com/p/447172667 AI与SLAM的结合大致分为3个思路： 思路1：用AI实现SLAM的所有功能 思路2：用AI改进SLAM的部分功能 思路3：介于思路1和思路2之间 第1种思路就是简单粗暴地用AI直接实现
基于深度学习的SLAM概述
wxm__的博客
01-14 4334
目的 本博客总结最近看的几篇关于深度学习的SLAM以及基于深度学习的稠密重建，简要对比记录特点 对比 年份 名称 类型 框图 前端 输出 地图 方法 特点 回环 2021 DROID-SLAM mono-VSLAM 全图像素点+稠密光流匹配 输出每个关键帧的位姿和稠密深度图像 全局场景稠密点云地图 RAFT稠密光流+稠密BA+重投影误差 GPU显存占用较大(前端实时需要8GGPU显存，后端由于需要存储所有图像的featuremap,因此，显存占用会很大，5000帧需要24GB)，位姿和全局
视觉slam从几何到深度学习：挑战与机遇＜Ongoing Evolution of Visual SLAM from Geometry to Deep Learning: Challenge＞
qq_40165706的博客
09-04 1402
2018年摘要视觉同时定位和映射（SLAM）在机器人界已经研究了几十年。随着基于几何模型的技术日益成熟和精确，视觉SLAM已经取得了重大进展和成就。然而，在具有挑战性的环境下，它们往往是脆弱的。最近，有一种趋势是开发数据驱动的方法，例如深度学习，以解决具有更稳健性能的视觉SLAM问题。本文旨在通过提供全面的技术回顾，见证视觉SLAM技术从基于几何模型到数据驱动方法的不断发展。我们的贡献不仅是汇编了最先进的端到端深度学习SLAM工作，还深入了解了深度学习SLAM的潜在机制。为此，我们首先简要概述了基于几何模型
0680-极智开发-解读caffe增加自定义算子的方法
03-14
0680_极智开发_解读caffe增加自定义算子的方法
基于深度学习的视觉SLAM综述
07-03
基于深度学习的视觉slam综述，是利用深度学习学习slam
语义SLAM相关论文的一些总结
11-11
"Deep Semantic SLAM: Joint Camera Localization and Scene Recognition with Deep Neural Networks"则展示了深度学习在语义SLAM中的潜力，通过端到端的学习，实现了相机定位和场景识别的一体化解决。 以上提到的...
如何学习SLAM（超级全面）
小虎哥哥爱学习-CSDN
03-16 2万+
PS:原文出自我的知乎文章https://zhuanlan.zhihu.com/p/462607330 由于SLAM是一个错综复杂的研究领域，涉及到非常多的关键技术。这里先讲讲学习方法论，然后对一些关键性概念（包括SLAM、ROS、SLAM移动机器人）进行分析，最后给出典型应用案例方便大家进行实战。 0.学习方法论 关于SLAM学习方法论，我觉得可以用"螺旋上升"这四个字来概括，大家可以根据自己的喜好和实际基础，选择从理论或者代码开始看。下面假设先从理论开始学习，当然从代码开始学习也是类似的。 第1
DROID-SLAM: Deep Visual SLAM for Monocular, Stereo, and RGBD Cameras论文阅读
人无远虑，必有近忧
10-15 1931
我们介绍一种新的基于深度学习的SLAM系统，DROID-SLAM，其包括通过一个Dense BA层反复迭代更新相机位姿和像素深度。这个系统是精确的，比之前的工作取得了大的提升，并且是鲁棒的，遭受灾难性失败要少得多。尽管在单目视频上进行训练，但它可以利用双目立体或RGB-D视频在测试时达到更好的性能。
最新发表 | 首个将端到端的深度特征提取和匹配应用于整个SLAM流程
计算机视觉工坊
05-10 472
这篇文章介绍了一种名为SL-SLAM的鲁棒视觉惯性SLAM系统，该系统基于深度特征提取和匹配。系统概述：SL-SLAM系统支持单目、立体、单目惯性、立体惯性等多种传感器配置，包括跟踪、局部建图和闭环检测三个模块，并集成了SuperPoint特征提取和Lightglue特征匹配。特征提取：文章采用自适应阈值策略根据场景复杂度动态调整提取特征点数量，以增强特征提取的鲁棒性。特征匹配和前端。
深度学习结合SLAM 研究现状总结
lucas1997的博客
05-22 2651
深度学习结合SLAM 研究现状总结 深度学习结合SLAM 语义slam 语义分割 端到端SLAM CNN-SLAM DenseSLAM orbslam2 + ssd LSD-SLAM + CNN SemanticFusion Mask 1. 用深度学习方法替换传统slam中的一个/几个模块： 特征提取，特征匹配，提高特征点稳定性，提取点线面等不同层级的特征点。 深度估计 位姿估计 重定位 ...
[论文笔记]端到端视觉定位 DA4AD: End-to-End Deep Attention-based Visual Localization for Autonomous Driving 2020
phy12321的博客
09-14 1900
百度自动驾驶部门 注意力机制在视觉重定位任务中的应用，端到端网络，可用于明显外观变化的场景，cm级精度，优于基于激光雷达的定位方法。 本文使用CNN以及注意力机制训练描述子与关键点，与数据库图像做匹配然后解算相机位姿。 构建特征金字塔，使用全卷积网络 独立 提取密集特征。 构建定位地图： attentive keypoints + features + 3D coordinates, 3D 坐标来自于激光雷达 根据先验位姿找到附近的三维点，在先验位姿附近多次采样，根据这些位姿将三维点投影到当前图像中进.
深度学习结合SLAM研究总结
weixin_33735077的博客
07-19 1265
博客转载自：https://blog.csdn.net/u010821666/article/details/78793225原文标题：深度学习结合SLAM的研究思路/成果整理之 1. 深度学习跟SLAM的结合点 深度学习和slam的结合是近几年比较热的一个研究方向，具体的研究方向，我简单分为三块，如下。 1.1 深度学习结合SLAM的三个方向 用深度学习方法替换传统SLAM...
什么是端到端slam
07-28
端到端SLAM（Simultaneous Localization and Mapping）是一种集成了定位和地图构建的技术，通过使用单个系统同时完成机器人或移动设备的位置估计和环境地图的构建。传统的SLAM系统通常分为前端和后端两个阶段，前端负责感知和定位，后端负责地图构建和优化。而端到端SLAM则通过深度学习方法将前端和后端合并为一个整体，通过神经网络直接从传感器数据中提取特征并输出估计的位置和地图。 端到端SLAM的优点是能够更加高效地处理SLAM问题，减少了传统SLAM系统中数据处理和传递的复杂性，提高了实时性和鲁棒性。然而，端到端SLAM也存在一些挑战，如数据量大、训练复杂等。目前，端到端SLAM仍处于研究和发展阶段，尚需进一步探索和改进。
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

打赏作者

诗筱涵

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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