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。
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.
?购书链接：https://item.jd.com/13041503.html
下载更多资料：www.xiihoo.com
QQ技术讨论群： 728661815
B站视频教程：https://space.bilibili.com/66815220
Github源码：https://github.com/xiihoo/Books_Robot_SLAM_Navigation
?