【视觉SLAM】语义SLAM分类

  SLAM 与深度学习技术结合是SLAM的另一大方向。高博在《视觉SLAM十四讲》中指出，通过语义与SLAM 相结合，两者相互促进，相互补充。

  一方面，语义帮助 SLAM。通过语义，我们能得到一张带有标签的地图，物体信息也可为回环检测、BA优化带来很多条件。逐渐有很多学者将神经网络方法引入到 SLAM 中的物体识别和分割，甚至 SLAM 本身的位姿估计与回环检测中。

  另一方面，SLAM 帮助语义。SLAM 中我们可以估计相机的运动，自动地计算物体在图像中的位置，节省人工标定的成本。

  本文按语义在 SLAM 处理中的角色进行分类总结。

一、深度学习与 SLAM 的结合点

用深度学习方法替换传统 SLAM 中的一个/几个模块

• 特征提取、匹配，提高特征点稳定性
• 深度估计
• 视觉里程计
• 闭环检测
• 其他

基于学习的方法可替代繁琐的公式计算，无需人工特征提取和匹配，更加简洁直观，且线运算速度快。缺点是不同算法对训练学习数据库依赖较强。

在传统 SLAM 之上加入语义信息

• 图像语义分割
• 语义地图构建

基于深度学习的语义 SLAM 多是单向的，即利用传统 SLAM 改进语义分割结果，还未出现语义信息与 SLAM 相互促进的完善机制。

端到端的 SLAM

• 机器人自主导航（深度强化学习）等

二、相关论文整理及摘要