我們提供了一種跟定位和建圖相關，現有的深度學習方法的新分類法，來聯絡機械人技術，計算機視覺和機器學習領域。大致可以按里程計估算，建圖，全域性定位和slam為類別進行分類，如圖2展示的分類方法所示。
里程計估計涉及到兩幀或者更多幀感測器資料，以平移和旋轉的方式來計算相關位姿的變化。他不斷的跟蹤自我運動，對相對於初始狀態的這些位姿的變化進行積分，根據位置和方向獲得全域性的位姿。這就是眾所周知的所謂的航跡推算法。里程計估計可用來提供位姿資訊，並輔助機械人控制的反饋迴路。關鍵在於不同感測器測量中準確的估計運動轉換。為此，深度學習被應用於端到端的方式來對運動動力學建模或者以混合的方式來提取有用的特徵來支援預構建系統。
建圖構造和重構乙個持續的模型來描述周圍的環境，建圖對操作員或者高階機械人來說是用來提供環境資訊，限制里程計估計的誤差漂移。並檢索查詢的觀測值來進行全域性定位。深度學習說被視為建圖很有用的工具，它能在高維的原始資料中找到場景幾何和語義。基於建圖方法深度學習又可以被細分為幾何，語義和廣義建圖，取決於神經網路學習場景的是顯式幾何或語義，或者是分別將場景編碼為乙個隱式的神經表徵。
全域性定位是用先驗知識，在已知的場景中恢復移動智慧型體的全域性位姿。這是用預先建立的2d或3d地圖，其他的空間參考，或者之前訪問過的場景，通過匹配查詢輸入資料來實現的全域性定位，他可以被用來降低位姿漂移和航跡推算系統或者機械人綁架問題。深度學習被用來解決棘手的資料關聯問題，該問題由於查詢資料和地圖之間的檢視、光照天氣和場景動態的變化而變得複雜。
slam 整合了之前提到的里程計估計，全域性定位和建圖程式作為前端，在定位和建圖上共同優化這些模組來提高效能，除了這些之前提過的方法，幾個其他的slam模組執行如下，來保證整個系統的一致性：區域性優化保證相機運動和場景幾何的區域性一致性，全域性優化在於在全域性範圍內限制全域性軌跡的漂移。關鍵幀檢測在基於關鍵幀slam中用來確保更有效的推理，當整個系統錯誤的漂移能夠被全域性優化降低，一旦通過閉環檢測檢測到閉環，不確定性估計可提供對所學的位姿和建圖的置信度,對在slam系統中進行概率感測器融合和後端優化很關鍵。
儘管各個元件的設計目標不同，上面的元件都可以整合到空間機器智慧型系統中，解決現實世界的挑戰。允許魯棒性的操作和在野外長期自治，基於深度學習的定位與建圖系統的概念圖如圖3所示。展示了這些元件之間的關係。在接下來的部分中，我們將詳細的討論這些元件。
深度學習綜述
本文不會像科技 那樣，詳細囉嗦，而是按照解決問題的邏輯思路來寫，使得初學者有乙個全面的掌握。因為我也是在學習的過程中。本文就只用圖來說明，其他人已經寫的很多了，我只寫比較好看的。這篇文章參考了吳恩達老師的網易公開課和相關的 資料，權當做個筆記，所以沒有講到的及新的知識會在後續跟上。現在各種網路結構氾...
slam深度學習前端
3.vidloc 6 dof video clip relocalization 回答 前段時間一直忙著畢業 以及找工作，囧。我的畢業 就是研究的deepvo，已經答辯過了，我實現的結果是 cnn vo 採用卷積神經網路 比現有基於cnn的方法好，比單目viso2好，但是不及雙目viso2 2.cn...
深度學習 綜述前言
深度學習革命 近年來，深度學習 deep learning 直接嘗試解決抽象認知的難題，並取得了突破性的進展。深度學習引爆的這場革命，將人工智慧帶上了乙個新的台階，不僅學術意義巨大，而且實用性很強，工業界也開始了大規模的投入，一大批產品將從中獲益。深度學習在幾個主要領域都獲得了突破性的進展 在語音識...