本文主要是介绍SLAM与AI的强强联合，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

SLAM与AI的强强联合

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。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SLAM，也就是所谓的端到端方法（End-to-End），下面即将介绍的UnDeepVO和NeuralRecon就是典型代表。第2中思路是用AI改进SLAM中的个别功能模块，比如基于AI方法的特征匹配、重定位、深度估计、语义理解等，比如CNN-SLAM就是典型代表。当然更多的是介于思路1和思路2之间的方法，所以很多算法其实很难对其进行分类。为了方便讨论，下面仅从解决具体问题的角度介绍一些比较有代表性的AI+SLAM方法，包括：端到端视觉里程计、端到端建图、端到端定位导航、特征匹配、重定位、深度估计、语义理解、语义SLAM。

 

温馨提示

 

本篇文章已经收录在我最新出版的书籍《机器人SLAM导航核心技术与实战》，感兴趣的读者可以购买纸质书籍来进行更加深入和系统性的学习，购买链接如下：

 

• 点这里购买：《机器人SLAM导航核心技术与实战》购买链接
• 点这里观看视频讲解

 

一、端到端视觉里程计

1.基于无监督深度学习的单目视觉里程计：

关键词：单目相机实时位姿估计、单目图像深度信息重建

论文：UnDeepVO: Monocular Visual Odometry through Unsupervised Deep Learning

源码：-

年份：2018

 

 

 

 

2.基于自监督学习的运动估计：

关键词：自监督学习、位姿估计、深度重建

论文：Beyond Photometric Loss for Self-Supervised Ego-Motion Estimation

源码：https://github.com/hlzz/DeepMatchVO

年份：2019

 

 

 

 

二、端到端建图

1.单目相机实时连续三维建图：

关键词：单目相机、神经网络、TSDF、三维建图

论文：NeuralRecon: Real-Time Coherent 3D Reconstruction from Monocular Video

源码：https://github.com/zju3dv/NeuralRecon

年份：2021

 

 

 

 

2.半监督单目稠密重建：

关键词：半监督、稠密重建、单目

论文：MonoRec：Semi-Supervised Dense Reconstruction in Dynamic Environments from a Single Moving Camera

源码：https://github.com/Brummi/MonoRec

年份：2021

 

 

 

 

 

三、端到端定位导航

1.可变端到端定位与导航：

关键词：端到端、定位、导航

论文：Variational End-to-End Navigation and Localization

源码：-

年份：2019

 

 

 

 

 

四、特征匹配

1.基于深度学习特征提取的路标特征匹配：

关键词：深度学习、特征提取、特征匹配

论文：Improving Keypoint Matching Using a Landmark-Based Image Representation

源码：https://github.com/Hansry/Keypoint-Matching-Based-on-Landmark-Representation

年份：2019

 

 

 

 

2.基于深度学习的2D图像到3D点云的特征匹配：

关键词：深度学习、2D图像、3D点云、特征匹配

论文：2D3D-MatchNet: Learning to Match Keypoints Across 2D Image and 3D Point Cloud

源码：-

年份：2019

 

 

 

 

 

五、重定位

1.基于深度学习视觉位置识别的重定位：

关键词：卷积神经网络、路标定位网络、视觉位置识别

论文：Localizing Discriminative Visual Landmarks for Place Recognition

源码：-

年份：2019

 

 

 

 

2.基于迁移学习的视觉位置识别：

关键词：迁移学习、视觉位置识别

论文：A Multi-Domain Feature Learning Method for Visual Place Recognition

源码：

年份：2019

 

 

 

 

六、深度估计

1.基于深度学习的深度估计：

关键词：深度估计、深度学习

论文：Geo-Supervised Visual Depth Prediction

源码：https://github.com/feixh/GeoSup

年份：2019

 

 

 

 

 

七、语义理解

1.自动驾驶的实时语义推理：

关键词：街道分类、车辆识别、道路分割

论文：MultiNet: Real-time Joint Semantic Reasoning for Autonomous Driving

源码：https://github.com/MarvinTeichmann/MultiNet

年份：2018

 

 

 

 

2.实时语义分割网络：

关键词：跳跃结构、UNet、扩张前端

论文：SHUFFLESEG: REAL-TIME SEMANTIC SEGMENTATION NETWORK

源码：https://github.com/MSiam/TFSegmentation

年份：2018

 

 

 

 

3.基于自组织网络的点云语义解析：

关键词：自组织网络、点云特征提取、点云语义解析

论文：SO-Net: Self-Organizing Network for Point Cloud Analysis

源码：https://github.com/lijx10/SO-Net

年份：2018

 

 

 

 

八、语义SLAM

1.基于卷积神经网络的稠密三维语义建图：

关键词：语义建图、三维稠密、卷积神经网络

论文：SemanticFusion: Dense 3D Semantic Mapping with Convolutional Neural Networks

源码：https://github.com/seaun163/semanticfusion

年份：2016

 

 

 

 

2.基于CNN语义融合的SLAM：

关键词：CNN、SLAM、语义融合

论文：CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction

源码：https://github.com/iitmcvg/CNN_SLAM

年份：2017

 

 

 

参考文献

[1] 张虎，机器人SLAM导航核心技术与实战[M]. 机械工业出版社，2022.

 

 

 

序 前言 编程基础篇 第1章 ROS入门必备知识 1.1 ROS简介 2 1.1.1 ROS的性能特色 2 1.1.2 ROS的发行版本 3 1.1.3 ROS的学习方法 3 1.2 ROS开发环境的搭建 3 1.2.1 ROS的安装 4 1.2.2 ROS文件的组织方式 4 1.2.3 ROS网络通信配置 5 1.2.4 集成开发工具 5 1.3 ROS系统架构 5 1.3.1 从计算图视角理解ROS架构 6 1.3.2 从文件系统视角理解ROS架构 7 1.3.3 从开源社区视角理解ROS架构 8 1.4 ROS调试工具 8 1.4.1 命令行工具 9 1.4.2 可视化工具 9 1.5 ROS节点通信 10 1.5.1 话题通信方式 12 1.5.2 服务通信方式 15 1.5.3 动作通信方式 19 1.6 ROS的其他重要概念 25 1.7 ROS 2.0展望 28 1.8 本章小结 28 第2章 C++编程范式 2.1 C++工程的组织结构 29 2.1.1 C++工程的一般组织结构 29 2.1.2 C++工程在机器人中的组织结构 29 2.2 C++代码的编译方法 30 2.2.1 使用g++编译代码 31 2.2.2 使用make编译代码 32 2.2.3 使用CMake编译代码 32 2.3 C++编程风格指南 33 2.4 本章小结 34 第3章 OpenCV图像处理 3.1 认识图像数据 35 3.1.1 获取图像数据 35 3.1.2 访问图像数据 36 3.2 图像滤波 37 3.2.1 线性滤波 37 3.2.2 非线性滤波 38 3.2.3 形态学滤波 39 3.3 图像变换 40 3.3.1 射影变换 40 3.3.2 霍夫变换 42 3.3.3 边缘检测 42 3.3.4 直方图均衡 43 3.4 图像特征点提取 44 3.4.1 SIFT特征点 44 3.4.2 SURF特征点 50 3.4.3 ORB特征点 52 3.5 本章小结 54 硬件基础篇 第4章 机器人传感器 4.1 惯性测量单元 56 4.1.1 工作原理 56 4.1.2 原始数据采集 60 4.1.3 参数标定 65 4.1.4 数据滤波 73 4.1.5 姿态融合 75 4.2 激光雷达 91 4.2.1 工作原理 92 4.2.2 性能参数 94 4.2.3 数据处理 96 4.3 相机 100 4.3.1 单目相机 101 4.3.2 双目相机 107 4.3.3 RGB-D相机 109 4.4 带编码器的减速电机 111 4.4.1 电机 111 4.4.2 电机驱动电路 112 4.4.3 电机控制主板 113 4.4.4 轮式里程计 117 4.5 本章小结 118 第5章 机器人主机 5.1 X86与ARM主机对比 119 5.2 ARM主机树莓派3B+ 120 5.2.1 安装Ubuntu MATE 18.04 120 5.2.2 安装ROS melodic 122 5.2.3 装机软件与系统设置 122 5.3 ARM主机RK3399 127 5.4 ARM主机Jetson-tx2 128 5.5 分布式架构主机 129 5.5.1 ROS网络通信 130 5.5.2 机器人程序的远程开发 130 5.6 本章小结 131 第6章 机器人底盘 6.1 底盘运动学模型 132 6.1.1 两轮差速模型 132 6.1.2 四轮差速模型 136 6.1.3 阿克曼模型 140 6.1.4 全向模型 144 6.1.5 其他模型 148 6.2 底盘性能指标 148 6.2.1 载重能力 148 6.2.2 动力性能 148 6.2.3 控制精度 150 6.2.4 里程计精度 150 6.3 典型机器人底盘搭建 151 6.3.1 底盘运动学模型选择 152 6.3.2 传感器选择 152 6.3.3 主机选择 153 6.4 本章小结 155 SLAM篇 第7章 SLAM中的数学基础 7.1 SLAM发展简史 158 7.1.1 数据关联、收敛和一致性 160 7.1.2 SLAM的基本理论 161 7.2 SLAM中的概率理论 163 7.2.1 状态估计问题 164 7.2.2 概率运动模型 166 7.2.3 概率观测模型 171 7.2.4 概率图模型 173 7.3 估计理论 182 7.3.1 估计量的性质 182 7.3.2 估计量的构建 183 7.3.3 各估计量对比 190 7.4 基于贝叶斯网络的状态估计 193 7.4.1 贝叶斯估计 194 7.4.2 参数化实现 196 7.4.3 非参数化实现 202 7.5 基于因子图的状态估计 206 7.5.1 非线性最小二乘估计 206 7.5.2 直接求解方法 206 7.5.3 优化方法 208 7.5.4 各优化方法对比 218 7.5.5 常用优化工具 219 7.6 典型SLAM算法 221 7.7 本章小结 221 第8章 激光SLAM系统 8.1 Gmapping算法 223 8.1.1 原理分析 223 8.1.2 源码解读 228 8.1.3 安装与运行 233 8.2 Cartographer算法 240 8.2.1 原理分析 240 8.2.2 源码解读 247 8.2.3 安装与运行 258 8.3 LOAM算法 266 8.3.1 原理分析 266 8.3.2 源码解读 267 8.3.3 安装与运行 270 8.4 本章小结 270 第9章 视觉SLAM系统 9.1 ORB-SLAM2算法 274 9.1.1 原理分析 274 9.1.2 源码解读 310 9.1.3 安装与运行 319 9.1.4 拓展 327 9.2 LSD-SLAM算法 329 9.2.1 原理分析 329 9.2.2 源码解读 334 9.2.3 安装与运行 337 9.3 SVO算法 338 9.3.1 原理分析 338 9.3.2 源码解读 341 9.4 本章小结 341 第10章 其他SLAM系统 10.1 RTABMAP算法 344 10.1.1 原理分析 344 10.1.2 源码解读 351 10.1.3 安装与运行 357 10.2 VINS算法 362 10.2.1 原理分析 364 10.2.2 源码解读 373 10.2.3 安装与运行 376 10.3 机器学习与SLAM 379 10.3.1 机器学习 379 10.3.2 CNN-SLAM算法 411 10.3.3 DeepVO算法 413 10.4 本章小结 414 自主导航篇 第11章 自主导航中的数学基础 11.1 自主导航 418 11.2 环境感知 420 11.2.1 实时定位 420 11.2.2 环境建模 421 11.2.3 语义理解 422 11.3 路径规划 422 11.3.1 常见的路径规划算法 423 11.3.2 带约束的路径规划算法 430 11.3.3 覆盖的路径规划算法 434 11.4 运动控制 435 11.4.1 基于PID的运动控制 437 11.4.2 基于MPC的运动控制 438 11.4.3 基于强化学习的运动控制 441 11.5 强化学习与自主导航 442 11.5.1 强化学习 443 11.5.2 基于强化学习的自主导航 465 11.6 本章小结 467 第12章 典型自主导航系统 12.1 ros-navigation导航系统 470 12.1.1 原理分析 470 12.1.2 源码解读 475 12.1.3 安装与运行 479 12.1.4 路径规划改进 492 12.1.5 环境探索 496 12.2 riskrrt导航系统 498 12.3 autoware导航系统 499 12.4 导航系统面临的一些挑战 500 12.5 本章小结 500 第13章 机器人SLAM导航综合实战 13.1 运行机器人上的传感器 502 13.1.1 运行底盘的ROS驱动 503 13.1.2 运行激光雷达的ROS驱动 503 13.1.3 运行IMU的ROS驱动 504 13.1.4 运行相机的ROS驱动 504 13.1.5 运行底盘的urdf模型 505 13.1.6 传感器一键启动 506 13.2 运行SLAM建图功能 506 13.2.1 运行激光SLAM建图功能 507 13.2.2 运行视觉SLAM建图功能 508 13.2.3 运行激光与视觉联合建图功能 508 13.3 运行自主导航 509 13.4 基于自主导航的应用 510 13.5 本章小结 511 附录A Linux与SLAM性能优化的探讨 附录B 习题

 

这篇关于SLAM与AI的强强联合的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！