The STDyn-SLAM: A stereo vision and semantic segmentation approach for SLAM in dynamic outdoor environments
Centro de Investigaciones en Óptica（光学研究中心）
通常，SLAM算法专注于静态环境，然而，存在存在动态对象的若干场景。本文提出了一种基于图像特征的SLAM系统STDyn-SLAM，该系统在动态环境中使用一系列子系统，如光流、球体特征提取、视觉里程计和卷积神经网络来识别场景中的运动物体。神经网络用于支持目标检测和分割，以避免错误的地图和错误的系统定位。STDyn-SLAM采用立体声对，并为户外环境开发。此外，所提出的系统的处理时间是足够快的实时运行，因为它是通过在真实的动态户外环境中给出的实验证明。此外，我们比较我们的SLAM与国家的最先进的方法取得了可喜的成果。
2021-03-30 cs.RO
Impact of 3D LiDAR Resolution in Graph-based SLAM Approaches: A Comparative Study
University of Coimbra（科英布拉大学）；Data Science Institute, Universität Greifswald（格赖夫斯瓦尔德大学数据科学研究所）；Institute of Computer Science, Freie Universität Berlin（柏林自由大学计算机科学研究所）
本文比较了城市场景中SC-LeGO-LOAM、SC-LIO-SAM、Cartographer和HDL-Graph等3D LiDAR图SLAM方法，并利用KITTI和AUTONOMOS-LABS数据集评估64与128通道LiDAR分辨率对鲁棒性的影响。
2024-10-22 cs.RO
Accelerated Feature Detectors for Visual SLAM: A Comparative Study of FPGA vs GPU
Department of Computer Science, University of Manchester（计算机科学系，曼彻斯特大学）
本研究首次对比FPGA与GPU加速的FAST、Harris和SuperPoint特征检测器在视觉SLAM中的性能，发现非学习型检测器GPU更优，而SuperPoint的FPGA实现能效和速度更佳，且硬件加速可减少束调整调用频率。
2025-10-15 cs.CV cs.ET cs.PF
Object Depth and Size Estimation using Stereo-vision and Integration with SLAM
Qatar Mobility Innovations Center（卡塔尔移动创新中心）；Qatar University（卡塔尔大学）
针对LiDAR难以检测半透明、非实体物体及导航标识等的缺陷，提出基于立体视觉的物体检测与深度尺寸估计方法，将结果集成到SLAM中以提升自主机器人导航能力，实验验证了其估计高精度。
2024-09-11 cs.CV cs.RO
Dynamic-Dark SLAM: RGB-Thermal Cooperative Robot Vision Strategy for Multi-Person Tracking in Both Well-Lit and Low-Light Scenes
University of Fukui（福井大学）
本研究提出Dynamic-Dark SLAM，利用RGB-热成像协作与跟踪器切换策略，实现明亮和黑暗场景下的多人跟踪，并首次探索仅人类SLAM范式。
2025-08-04 cs.CV cs.RO
Photometric Bundle Adjustment for Vision-Based SLAM
我们提出了一种新的算法，直接从图像数据的结构和运动参数的联合细化，而不依赖于固定和已知的对应关系。传统的光束法平差（BA）的最佳参数是通过最小化使用跟踪功能的重投影误差来确定的，相比之下，所提出的算法依赖于最大化的光度一致性和估计的对应关系隐式。由于该算法不需要对应关系，因此其应用不限于角状结构，任何具有非零梯度的像素都可以用于估计过程。此外，我们证明了在不受约束的场景中同时使用光度来细化运动和结构参数的可行性，而不需要限制性的假设，如平面性。该算法的范围内具有挑战性的室外数据集进行评估，它被证明是提高后的国家的最先进的VSLAM方法的精度使用最小化的重投影误差，使用传统的BA以及环路闭合。
2016-08-05 cs.CV cs.RO
From Monocular SLAM to Autonomous Drone Exploration
Technische Universität München（慕尼黑工业大学）；Oculus Research（奥库鲁斯研究院）；RWTH Aachen University（亚琛工业大学）
微型飞行器（MAV）在其有效载荷和动力能力方面受到很大限制。为了实现自主导航，因此需要使用尽可能小、低重量和低功耗的传感设备的算法。在本文中，我们提出了一种方法，自主MAV导航和探索使用低成本的消费级四轴飞行器配备了单目摄像头。我们的基于视觉的导航系统建立在LSD-SLAM的基础上，LSD-SLAM可以实时估计MAV的轨迹和半密集的环境重建。由于LSD-SLAM仅确定高梯度像素处的深度，因此不直接观察到无纹理区域，使得不能直接应用假定密集地图信息的先前探索方法。我们提出了一个障碍物映射和探索的方法，考虑到我们的半密集单目SLAM系统的属性。在实验中，我们展示了我们的基于视觉的自主导航和探索系统与鹦鹉Bebop MAV。
2018-03-12 cs.CV cs.RO
MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出MM3DGS，首次将三维高斯泼溅与未标定相机图像和惯性测量结合用于SLAM，通过融合惯性预积分、深度估计和光度质量损失，实现3倍跟踪提升和5%渲染质量提升，并发布多模态数据集UT-MM。
2024-04-01 cs.AI cs.CV cs.RO
Hierarchical Segment-based Optimization for SLAM
Intel Corporation（英特尔公司）
针对同时定位与地图构建（SLAM）系统，提出了一种基于分段的分层优化方法。首先，我们提出了一种可靠的轨迹分割方法，可用于提高后端优化的效率。然后，我们首次提出了一种缓冲机制，以提高分割的鲁棒性。在优化过程中，利用全局信息对误差较大的帧进行优化，用插值代替优化对估计较好的帧进行更新，根据各帧的误差分级分配计算量。在基准测试集上的对比实验表明，该方法在精度几乎没有下降的情况下，极大地提高了优化效率，且性能明显优于现有的高效优化方法。
2021-11-07 cs.CV cs.RO
Comparison of modern open-source visual SLAM approaches
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Sberbank Robotics Lab（俄罗斯联邦储蓄银行机器人实验室）
SLAM是机器人和计算机视觉研究的最基本领域之一。最先进的解决方案在准确性和稳定性方面取得了显着进步。不幸的是，并不是所有的方法都是开源的解决方案，可以免费使用。其中一些研究的结果难以复制，而且缺乏对共同数据集的比较。在我们的工作中，我们对最先进的开源方法进行了比较分析。我们评估算法的准确性，计算性能，鲁棒性和容错的基础上。此外，我们提出了一个比较的数据集，以及从实用的角度来看，算法的分析。这项工作的发现为SLAM研究人员提出了几个关键问题。
2023-02-04 cs.CV cs.RO
Dropping the D: RGB-D SLAM Without the Depth Sensor
Technical University of Munich（慕尼黑技术大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
DropD-SLAM通过预训练视觉模块替代深度传感器，实现RGB-D级精度的实时单目SLAM，在TUM RGB-D基准上达到7.4 cm和1.8 cm ATE，运行速度22 FPS。
2025-11-02 cs.CV cs.RO
Rad-GS: Radar-Vision Integration for 3D Gaussian Splatting SLAM in Outdoor Environments
Department of Automation, School of Mechanical Engineering and Automation, Harbin Institute of Technology（自动化系、机械工程与自动化学院、哈尔滨工业大学）；School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院、哈尔滨工业大学）
Rad-GS通过融合雷达与视觉信息，实现公里级户外环境的3D高斯点云SLAM，提升定位精度与场景重建能力。
2025-11-20 cs.CV cs.RO
A survey on sensing methods and feature extraction algorithms for SLAM problem
Amrita VishwaVidyapeetham（阿姆瑞塔 Vishwa Vidyapeetham 大学）
本文是一个更大的项目，设计一个可视化SLAM机器人生成三维密集地图的未知非结构化环境的调查工作。在设计SLAM机器人时，必须考虑许多因素。SLAM机器人的传感方法应该通过考虑要建模的环境的种类来确定。类似地，环境的类型确定合适的特征提取方法。本文通过传感器的方法，在最近发表的一些论文。本研究的主要目的是对目前的感知方法和特征提取算法进行比较研究，并从中提取出最适合我们工作的方法。
2013-03-14 cs.CV cs.LG cs.RO
FR-SLAM: A SLAM Improvement Method Based on Floor Plan Registration
Suzhou Campus Southeast University（东南大学苏州校区）；Nanjing center for applied mathematics（南京应用数学中心）；School of Automation（自动化学院）；School of Cyber Science and Engineering（网络科学与工程学院）；Shenzhen Research Institute Southeast University（东南大学深圳研究院）；Samsung Electronics（三星电子）；Samsung Electronics(China) R&D Center（三星电子（中国）研发中心）
FR-SLAM通过基于形态学的楼层平面图配准算法，实现快速地图获取与高效路径规划，提高配准精度并缩短到达目标时间。
2024-07-16 cs.CV cs.RO
SLAM-Based Navigation and Fault Resilience in a Surveillance Quadcopter with Embedded Vision Systems
Guru Gobind Singh Indraprastha University（古鲁·戈宾德·辛格·因德拉普拉斯塔大学）；Delhi Skill and Entrepreneurship University (DSEU)（德里技能与创业大学（DSEU））；Delhi Institute of Tool Engineering（德里工具工程学院）
本文提出监控四旋翼Veg，集成视觉SLAM、级联控制、故障检测与嵌入式视觉，实现GPS无关导航、航点规划及紧急降落，并验证于仿真和实际测试。
2025-04-23 cs.CV cs.RO cs.SY
Plug-and-Play SLAM: A Unified SLAM Architecture for Modularity and Ease of Use
Sapienza University of Rome（罗马大学）；Robert Bosch Corporate Research（罗伯特·博世企业研究部）
目前，SLAM（同时定位与地图构建）被机器人界认为是一个成熟的领域。目前，有许多开源系统能够在典型的现实世界场景中提供快速准确的估计。尽管如此，所有这些系统通常提供需要预定义的传感器配置的特别实现。在这项工作中，我们解决了这个问题，提出了一种新的SLAM架构，专门设计用于解决异构传感器的配置和标准化SLAM解决方案。由于其模块化和特定的设计模式，所提出的架构是易于扩展，提高代码重用和效率。最后，采用我们的解决方案，我们对各种传感器配置进行了比较实验，显示了具有竞争力的结果，证实了最先进的性能。
2020-04-14 cs.RO
Benchmark of visual and 3D lidar SLAM systems in simulation environment for vineyards
Lincoln Center for Autonomous Systems, University of Lincoln（林肯大学林肯自主系统中心）
在这项工作中，我们提出了一个比较分析的轨迹估计从各种同时定位与地图构建（SLAM）系统在模拟环境中的葡萄园。葡萄园环境对于SLAM方法是具有挑战性的，这是由于视觉外观随时间变化、不平坦的地形和重复的视觉模式。因此，我们专门为葡萄园创建了一个模拟环境，以帮助在如此具有挑战性的环境中研究SLAM系统。我们评估了以下SLAM系统：LIO-SAM，StaticMapping，ORB-SLAM 2和RTAB-MAP在四种不同的场景。本研究中使用的移动机器人配备了2D和3D激光雷达，IMU和RGB-D相机（Kinect v2）。结果表明，RTAB-MAP在这样的环境中表现良好，令人鼓舞的性能。
2021-07-12 cs.RO
Partial Hierarchical Pose Graph Optimization for SLAM
NVIDIA（英伟达）
在本文中，我们考虑一个层次的姿态图优化（HPGO）的同时定位与地图构建（SLAM）。我们提出了一个快速的增量过程中建立层次结构的姿态图。我们研究了这个过程的属性，并表明我们的解决方案提供了高执行速度，高还原率和良好的灵活性。我们提出了一种方法来做部分分层优化，并比较它与其他优化模式。我们表明，给定相对大量的姿势，部分HPGO与原始优化相比提供了10倍的速度，而不会牺牲质量。
2021-10-16 cs.RO
UWB Radar SLAM: an Anchorless Approach in Vision Denied Indoor Environments
Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
针对LiDAR和相机在烟雾等视觉受限室内环境易失效的问题，提出仅依赖机载UWB收发器并结合EKF后端的无锚点UWB雷达SLAM方法，实现室内自然点地标建图与机器人定位改善。
2023-11-25 cs.RO
DRACo-SLAM2: Distributed Robust Acoustic Communication-efficient SLAM for Imaging Sonar EquippedUnderwater Robot Teams with Object Graph Matching
Stevens Institute of Technology（史蒂文斯理工学院）；U.S. Naval Academy（美国海军学院）
本研究提出面向配备多波束成像声呐的水下机器人团队的分布式SLAM框架DRACo-SLAM2，通过对象图表示与匹配实现高效无先验的机器人间回环检测，还提出增量GCM改进PCM以适配水下场景，经多数据集对比验证有效。
2025-07-31 cs.RO
SLAM-based Integrity Monitoring Using GPS and Fish-eye Camera
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
使用GPS和鱼眼相机的城市导航遭受GPS测量的多路径效应和跨图像帧的像素强度的数据关联误差。我们提出了一种基于同时定位与地图构建（SLAM）的完整性监测（IM）算法来计算位置保护级别，同时考虑GPS和视觉中的多个故障。我们使用GPS伪距、像素强度、车辆动态和卫星星历的序列数据进行图形优化，以同时定位车辆和地标，即GPS卫星和世界帧中的关键图像像素。我们通过分析GPS测量残差的时间相关性和视觉强度残差的空间相关性来估计故障模式向量。特别是，为了检测和隔离视觉缺陷，我们开发了一种基于超像素的分段随机样本一致性（RANSAC）技术来跨图像像素执行空间投票。对于一个估计的故障模式，我们计算的保护水平，应用最坏情况下的故障斜率分析的线性化图形SLAM框架。我们在伊利诺伊州香槟市的半城市地区进行了地面车辆实验，并成功地检测和隔离了多个故障。我们还验证了更严格的保护级别和更低的定位误差，通过所提出的算法相比，基于SLAM的IM，只利用GPS测量。
2019-10-04 cs.CV cs.RO eess.IV
The Event-Camera Dataset and Simulator: Event-based Data for Pose Estimation, Visual Odometry, and SLAM
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
新的视觉传感器，如动态和有源像素视觉传感器（DAVIS），将传统的全局快门相机和基于事件的传感器集成在同一像素阵列中。这些传感器在高速机器人和计算机视觉方面具有巨大的潜力，因为它们使我们能够将传统相机的优点与基于事件的传感器的优点结合起来：低延迟，高时间分辨率和非常高的动态范围。然而，需要新的算法来利用传感器的特性，并应对其非常规输出，其中包括一系列异步亮度变化（称为“事件”）和同步灰度帧。为此，我们提出并发布了一系列在各种合成和真实环境中使用DAVIS捕获的数据集，我们希望这将激励对高速和高动态范围机器人和计算机视觉应用的新算法的研究。除了全局快门强度图像和异步事件外，我们还提供来自运动捕捉系统的惯性测量和地面实况相机姿态。后者允许定量地比较自我运动估计算法的姿态精度。所有数据都以标准文本文件和二进制文件（即，rosbag）。本文提供了可用数据的概述，并描述了一个模拟器，我们发布的开源创建合成事件相机数据。
2017-11-08 cs.CV cs.RO
LiV-GS: LiDAR-Vision Integration for 3D Gaussian Splatting SLAM in Outdoor Environments
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
LiV-GS提出一种室外激光雷达-视觉SLAM系统，首次直接对齐稀疏激光雷达数据与可微分三维高斯地图，并通过条件高斯约束实现视场外更新，以7.98 FPS实现高精度建图与新视角合成。
2024-11-19 cs.RO
6-DOF Feature based LIDAR SLAM using ORB Features from Rasterized Images of 3D LIDAR Point Cloud
Shanghai Jiaotong University（上海交通大学）
精确且计算高效的SLAM算法对于现代自动驾驶车辆至关重要。为了使算法轻量化，大多数SLAM系统依赖于视觉SLAM的图像特征检测或基于激光的方法的点云。通过3D点云进行特征检测成为一项具有挑战性的计算任务。在本文中，我们提出了一种特征检测方法，通过投影三维点云形成一个图像，并应用基于视觉的特征检测技术。所提出的方法在各种环境中提供了可重复和稳定的功能。基于这些功能，我们建立了一个6自由度SLAM系统，包括跟踪，映射，和循环闭合线程。对于循环检测，我们采用了两步的方法，即最近的关键帧检测和循环候选人验证匹配特征提取光栅化的激光雷达图像。此外，我们利用关键帧结构来实现一个轻量级的SLAM系统。该系统的KITTI数据集和密歇根大学福特校园数据集的实施进行评估。实验结果表明，本文提出的算法在获得准确结果的同时，能够大幅降低点云特征检测的计算量，从而降低整个SLAM系统的计算量。
2021-03-19 cs.RO
Dream-SLAM: Dreaming the Unseen for Active SLAM in Dynamic Environments
Thrust of Robotics and Autonomous Systems, Hong Kong University of Science and Technology (Guangzhou)（机器人与自主系统研究所，香港科学与技术大学（广州））；University of Zaragoza（阿拉瓦大学）；School of Computation, Information and Technology, Technical University of Munich（计算、信息与技术学院，慕尼黑技术大学）；School of Automation and IntelligentSensing, Shanghai Jiao Tong University（自动化与智能感知学院，上海交通大学）
Dream-SLAM通过跨时空图像与语义结构的融合，提升动态环境中主动SLAM的定位精度和探索效率
2026-02-25 cs.CV cs.RO
MD-SLAM: Multi-cue Direct SLAM
Sapienza University of Rome（罗马第一大学）；University of Bonn（波恩大学）；University of Oxford（牛津大学）
同时定位与地图构建（SLAM）系统是任何自主机器人在未知环境中导航的基本构建块。SLAM的实现在很大程度上取决于移动平台上采用的传感器模态。出于这个原因，经常对场景的结构进行假设以最大化估计精度。本文提出了一种新的直接3D SLAM流水线，可独立用于RGB-D和LiDAR传感器。基于多线索光度帧到帧对齐的先前工作，我们提出的方法提供了一个易于扩展和通用的SLAM系统。我们的管道只需要在投影模型中进行微小的调整，以处理不同的传感器模态。我们耦合的位置跟踪系统与基于外观的重定位机制，处理大循环关闭。回路闭合通过用于里程估计的相同直接配准算法来验证。我们目前的比较实验与国家的最先进的方法公开可用的基准使用RGB-D相机和3D激光雷达。与其他传感器特定的方法相比，我们的系统在异构数据集中表现良好，同时不对环境进行任何假设。最后，我们发布了一个开源的C++实现我们的系统。
2022-03-24 cs.RO
Introducing SLAMBench, a performance and accuracy benchmarking methodology for SLAM
Imperial College（帝国理工学院）；The Univ. of Edinburgh（爱丁堡大学）；Univ. of Manchester（曼彻斯特大学）
实时密集计算机视觉和SLAM为许多类型的机器人提供了新水平的场景建模，跟踪和真实环境交互的巨大潜力，但它们的高计算要求意味着在大众市场嵌入式平台上的使用具有挑战性。与此同时，低成本、低功耗处理的趋势是大规模并行和异构，这使得机器人和视觉研究人员很难以性能可移植的方式实现他们的算法。在本文中，我们介绍了SLAMBench，一个公开的软件框架，它代表了一个起点，定量，可比和验证的实验研究，调查权衡密集的RGB-D SLAM系统的性能，准确性和能耗。SLAMBench提供C++、OpenMP、OpenCL和CUDA中的KinectFusion实现，并利用合成RGB-D序列的ICL-NUIM数据集与轨迹和场景地面实况进行不同实现和算法的可靠准确性比较。我们提出了一个分析和分解的KinectFusion的组成算法元素，并通过实验研究它们的执行时间在各种多核和GPU加速平台。对于一个流行的嵌入式平台，我们还提出了不同的配置方案的能源效率的分析。
2015-02-26 cs.CV cs.DC cs.PF
PIRVS: An Advanced Visual-Inertial SLAM System with Flexible Sensor Fusion and Hardware Co-Design
PerceptIn, Inc.（感知智能公司）
在本文中，我们提出的PerceptIn机器人视觉系统（PIRVS）系统，嵌入式同时定位与地图构建（SLAM）算法的视觉惯性计算硬件。PIRVS硬件配备了多核处理器、全局快门立体相机和具有精确硬件同步的IMU。PIRVS软件采用了一种新颖灵活的传感器融合方法，不仅可以将视觉测量与惯性测量紧密集成，还可以与其他传感器模态松散耦合。它在PC和PIRVS硬件上实时运行。我们使用多个公共视觉惯性数据集对所提出的系统进行了彻底的评估。实验结果表明，我们的系统达到了相当的精度的国家的最先进的视觉惯性算法在PC上，而更有效的PIRVS硬件。
2017-10-02 cs.CV cs.RO
Highly Efficient Compact Pose SLAM with SLAM++
Australian National University（澳大利亚国立大学）；Brno University of Technology（布尔诺理工大学）
最大似然估计（MLE）是在许多机器人和计算机视觉应用中使用的众所周知的估计方法。在高斯假设下，极大似然估计转化为非线性最小二乘（NLS）问题。NLS存在有效的解决方案，它们是基于迭代求解稀疏线性系统直到收敛。一般来说，现有的解决方案只提供了一个估计的平均状态向量，所得的协方差计算太昂贵，无法恢复。然而，在许多同时定位和地图绘制（SLAM）应用中，仅知道平均向量是不够的。数据关联、获得简化的状态表示、主动决策和下一个最佳视图只是需要快速状态协方差恢复的几个应用。此外，计算机视觉和机器人应用通常在线执行。在这种情况下，状态在每一步都被更新和重新计算，并且其大小不断增长，因此，估计过程可能变得在计算上要求很高。本文介绍了一个一般的框架，增量MLE称为SLAM++，它充分受益于增量性质的在线应用程序，并提供了有效的估计的均值和协方差的估计。在此基础上，我们提出了一种策略，用于维护一个稀疏的和可扩展的状态表示的大规模映射，它使用信息论措施，只整合信息和非冗余的贡献的状态表示。SLAM++与现有实现的不同之处在于通过块执行所有矩阵运算。这导致了极快的矩阵操作和算术运算。尽管本文测试了SLAM++在SLAM问题上的效率，但它的适用性仍然很普遍。
2016-08-10 cs.RO
RT-SLAM: A Generic and Real-Time Visual SLAM Implementation
CNRS（法国国家科学研究中心）；Université de Toulouse（图卢兹大学）；Ictineu Submarins（伊克蒂内乌潜艇公司）；NAV ON TIME（准时导航公司）
本文提出了一种新的开源C++实现来解决SLAM问题，它专注于通用性，通用性和高执行速度。它是基于一个原始的面向对象的架构，允许众多的传感器和地标类型的组合，并在文献中提出的各种方法的集成。该系统的能力说明了一个惯性/视觉SLAM方法，其中几个改进现有的方法已经推出，并处理非常高的动态运动的介绍。结果与手持相机。
2012-01-26 cs.RO
LOSS-SLAM: Lightweight Open-Set Semantic Simultaneous Localization and Mapping
Massachusetts Institute of Technology (MIT)（麻省理工学院）；Computer Science and Artificial Intelligence Laboratory (CSAIL)（计算机科学与人工智能实验室）
本文提出 LOSS-SLAM，将对象识别、定位与编码同概率图模型紧耦合，以更低计算开销实现优于现有方法的轻量级开集语义 SLAM。
2024-04-05 cs.CV cs.RO
SE-SLAM: Semi-Dense Structured Edge-Based Monocular SLAM
Instituto Balseiro（巴尔塞iro学院）；CNEA（国家原子能委员会）；SLAMCore ltd.（SLAMCore有限公司）
基于视觉的同时定位与地图构建（VSLAM）是机器人领域中一个成熟的问题。大多数VSLAM系统是基于特征的方法，其是鲁棒的并且呈现高精度，但是产生稀疏地图，对于进一步的导航任务具有有限的应用。最近，已经引入了直接对图像强度进行操作的直接方法，能够以更高的处理能力为代价重建更丰富的图。在这项工作中，提出了一个基于边缘的单目SLAM系统（SE-SLAM）作为一个中间点：边缘呈现良好的定位作为点特征，同时使结构化的半密度地图重建。然而，边缘不容易随着时间的推移进行关联、跟踪和优化，因为它们缺乏描述符和双单义对应，不像点特征。为了解决这些问题，本文提出了一种方法，以一致的方式匹配帧之间的边缘;一个可行的策略来解决优化问题，因为它的大小迅速增加时，与边缘工作;和使用非线性优化技术。所得到的系统实现了与现有技术的基于特征的和密集/半密集系统相当的精度，同时固有地构建环境的结构半密集重建，为进一步的导航算法提供相关的结构数据。为了实现这样的精度，需要在每帧10000个边缘点的连续馈送上进行最先进的非线性优化，以优化完整的半密集输出。尽管其繁重的处理要求，该系统实现了接近实时操作，这要归功于定制的求解器和其关键阶段的并行化。为了鼓励基于边缘的SLAM系统的进一步开发，SE-SLAM源代码将作为开源发布。
2019-09-09 cs.CV cs.RO
RaNDT SLAM: Radar SLAM Based on Intensity-Augmented Normal Distributions Transform
RWTH Aachen University（亚琛工业大学）；Munich Institute of Robotics and Machine Intelligence, TU Munich（慕尼黑工业大学慕尼黑机器人与机器智能研究所）；University of Augsburg（奥格斯堡大学）
本文提出RaNDT SLAM，一种基于雷达强度增强正态分布变换的快速且准确的雷达SLAM框架，通过融合运动模型、IMU和配准数据估计运动，并在室内外多模态新数据集及Oxford Radar RobotCar上进行了评估。
2024-08-21 cs.CV cs.RO eess.SP
Graph-based Thermal-Inertial SLAM with Probabilistic Neural Networks
CCDC Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）；University of Oxford（牛津大学）；Monash University（莫纳什大学）；University of Edinburgh（爱丁堡大学）；University of Cambridge（剑桥大学）
同时定位与地图构建（SLAM）系统通常采用基于视觉的传感器来观察周围环境。然而，这种系统的性能高度依赖于环境照明条件。在能见度不良或存在空气中颗粒物（如烟雾、灰尘等）的情况下，基于热成像和惯性传感器等替代模式更有前途。在本文中，我们提出了第一个完整的热惯性SLAM系统，它结合了SLAM前端的神经抽象与SLAM后端的鲁棒姿态图优化。我们通过采用由混合密度网络（MDN）参数化的概率深度学习来对前端的传感器抽象进行建模。我们的关键策略，成功地模拟这种编码从热成像的使用归一化的14位辐射数据，将超幻觉视觉（RGB）功能，并列入特征选择估计MDN参数。为了实现完整的SLAM系统，我们还设计了一个有效的全局图像描述符，该描述符能够从热嵌入向量中检测环路闭合。我们使用三个数据集进行了广泛的实验和分析，即在室内环境中采集的地面机器人和手持数据，以及在地下隧道中采集的公共数据集（SubT-tunnel）。最后，我们证明了一个准确的热惯性SLAM系统可以实现在良性和不利的能见度的条件。
2021-10-29 cs.CV cs.RO
MAGiC-SLAM: Multi-Agent Gaussian Globally Consistent SLAM
University of Amsterdam（阿姆斯特丹大学）
针对现有SLAM系统单智能体局限及多智能体方法的不足，提出MAGiC-SLAM，采用刚性可变形3D高斯场景表示，结合新跟踪和地图合并机制，在合成与真实数据集上实现更精准、更快的多智能体全局一致SLAM。
2024-11-25 cs.AI cs.CV cs.RO
Inertial Guided Uncertainty Estimation of Feature Correspondence in Visual-Inertial Odometry/SLAM
Korea University（高丽大学）
针对视觉惯性里程计/SLAM中特征匹配易受图像退化影响的问题，提出惯性引导的特征匹配不确定性估计方法，通过构建引导分布拟合图像误差能量函数提升鲁棒性，并在公开数据集上验证了有效性。
2023-11-07 cs.CV cs.RO
AcousticFusion: Fusing Sound Source Localization to Visual SLAM in Dynamic Environments
Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；the Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）；The University of Edinburgh（爱丁堡大学）；The Alan Turing Institute（艾伦·图灵研究所）
环境中的动态对象，例如人和其他代理，导致现有的同时定位与地图构建（SLAM）方法面临挑战。为了处理动态环境，计算机视觉研究人员通常采用一些基于学习的目标检测器来去除这些动态目标。然而，这些对象检测器对于移动机器人板上处理来说在计算上太昂贵。在实际应用中，这些物体输出的噪声可以通过车载声源定位有效地检测到。通过声音到达方向（DoA）估计可以有效地获得声源对象的方向信息，但是深度估计是困难的。因此，在本文中，我们提出了一种新的视听融合方法，融合到RGB-D图像的声源方向，从而消除了动态障碍物的影响，多机器人SLAM系统。在不同动态环境下的多机器人SLAM实验结果表明，该方法使用非常少的计算资源，获得非常稳定的自定位结果。
2021-08-03 cs.CV cs.RO
VECtor: A Versatile Event-Centric Benchmark for Multi-Sensor SLAM
ShanghaiTech University（上海科技大学）；Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences（中国科学院上海微系统与信息技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Northwestern University（西北大学）；Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程技术研究中心）
事件摄像机最近越来越受欢迎，因为它们在高动态或具有挑战性的照明情况下具有强大的潜力来补充常规摄像机。同时定位与地图构建（SLAM）给出了可以受益于事件相机的添加的重要问题。然而，为了确保事件包容性多传感器SLAM的进展，需要新的基准序列。我们的贡献是第一套完整的基准数据集捕获的多传感器设置包含一个基于事件的立体相机，一个普通的立体相机，多个深度传感器和惯性测量单元。该设置是完全硬件同步的，并进行了精确的外部校准。所有序列都带有由高精度外部参考设备（如运动捕捉系统）捕捉的地面真实数据。单个序列包括小型和大型环境，并涵盖动态视觉传感器针对的特定挑战。
2022-07-04 cs.CV cs.RO
Trained Trajectory based Automated Parking System using Visual SLAM on Surround View Cameras
Valeo Vision Systems（法雷奥视觉系统公司）
自动泊车正在成为现代汽车的标准功能。现有的停车系统构建本地地图，以便能够计划朝向检测到的插槽的机动。下一代停车系统有一个用例，它们可以构建汽车经常停放的环境的持久地图，例如家庭停车场或办公室停车场。预先构建的地图有助于重新定位车辆更好地当它试图停车的下一次。这是通过使用Visual SLAM管道增强停车系统来实现的，该功能在汽车行业中被称为训练轨迹停车。在本文中，我们讨论了训练轨迹自动停车系统的用例，设计和实现。建议的系统部署在商用车和消费者的应用程序中说明\url{https://youtu.be/nRWF5KhyJZU}。本文的重点是应用和视觉算法的细节保持在较高的水平。
2021-05-19 cs.CV cs.RO
Evaluation of Lidar-based 3D SLAM algorithms in SubT environment
Luleå University of Technology（吕勒奥理工大学）
在缺乏自然或不良照明的恶劣和GPS拒绝地下（SubT）环境中的机器人自主导航是一项具有挑战性的任务，促进了姿势估计和映射算法的发展。受现实生活中的自主机器人在这样的环境中部署的需要，本文提出了一个实验比较研究的3D SLAM算法。这项研究的重点是最先进的激光雷达SLAM算法与开源实现，i）激光雷达只有像BLAM，LOAM，A-LOAM，ISC-LOAM和hdl图形满贯，或ii）激光雷达惯性像乐高LOAM，制图师，LIO映射和LIO-SAM。这些方法的评估是基于从配备3D激光雷达Velodyne Puck Lite和IMU Vectornav VN-100的Boston Dynamics Spot机器人在地下隧道中执行任务期间收集的数据集进行的。在评估过程中，将SLAM算法的姿态和3D隧道重建进行比较，以找到在姿态精度和地图质量方面具有最可靠性能的方法。
2023-03-13 cs.RO
DVM-SLAM: Decentralized Visual Monocular Simultaneous Localization and Mapping for Multi-Agent Systems
Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学）
本文提出首个开源去中心化单目协作SLAM系统DVM-SLAM，利用低成本单目视觉实现多智能体实时建图与定位，并在实体机器人上验证了其导航可行性和与集中式系统相当的精度。
2025-08-26 cs.CV cs.MA cs.RO
ViTa-SLAM: A Bio-inspired Visuo-Tactile SLAM for Navigation while Interacting with Aliased Environments
Aalto University（阿尔托大学）；University of Bristol（布里斯托大学）；University of the West of England（西英格兰大学）
RatSLAM是一个受大学校园启发的视觉同时定位与地图构建（SLAM）框架，能够生成室内和室外环境的半度量拓扑表示。Whisker-RatSLAM是RatSLAM的6D扩展，主要通过基于搅拌信息生成对象的点云来进行对象识别。本文介绍了一种新的扩展，这两个以前的作品，被称为ViTa-SLAM，利用视觉和触觉信息进行SLAM。这不仅允许机器人在导航时与环境进行自然交互，就像自然界中通常看到的那样，而且还提供了一种融合非唯一触觉和唯一视觉数据的机制。与以前的作品相比，我们的方法可以处理模糊的场景中，一个传感器单独是无法识别假阳性环关闭。
2019-08-15 cs.RO
Spiking Neural Network on Neuromorphic Hardware for Energy-Efficient Unidimensional SLAM
Rutgers University（罗格斯大学）
高效节能的同时定位与地图构建（SLAM）是移动机器人探索未知环境的关键。哺乳动物的大脑通过一个专门的神经元网络来解决SLAM，表现出异步计算和基于事件的通信，能耗非常低。我们提出了一个大脑启发的脉冲神经网络（SNN）架构，通过引入基于脉冲的参考帧变换，视觉似然计算和贝叶斯推理来解决一维SLAM。我们将我们的神经形态算法集成到英特尔的Loihi神经形态处理器中，这是一种模仿大脑计算模式的非冯·诺依曼硬件。我们对我们的神经形态方法和广泛用于小型环境的GMapping算法之间的准确性和能效进行了比较分析。我们基于Loihi的SNN架构消耗的能量比在CPU上运行的GMapping少100倍，同时在头部方向定位和地图生成方面具有相当的准确性。这些结果为扩展我们的方法为Loihi控制的自主机器人提供主动SLAM替代解决方案铺平了道路。
2019-09-19 cs.NE cs.RO
Visual SLAMMOT Considering Multiple Motion Models
Department of Automation, Shanghai Jiao Tong University（自动化系，上海交通大学）；École d’Ingénieurs Paris SJTU (SPEIT)（巴黎工程学院SJTU（SPEIT））
本文提出一种考虑多种运动模型的视觉SLAMMOT方法，通过紧耦合SLAM与MOT克服传统独立模块的局限，验证了IMM-SLAMMOT在视觉领域的可行性与优势。
2025-08-14 cs.AI cs.CV cs.RO
HGI-SLAM: Loop Closure With Human and Geometric Importance Features
Evergreen Valley High School（埃弗格林谷高中）；Massachusetts Institute of Technology（麻省理工学院）
我们提出了人类和几何的重要性SLAM（HGI-SLAM），一种新的方法，循环关闭使用显着的几何特征。闭环是SLAM的一个关键要素，有许多已建立的方法来解决这个问题。然而，目前的方法是狭窄的，使用几何或显着的基础上的功能。我们将他们的成功融合到一个模型中，这个模型单独优于这两种方法。我们的方法利用廉价的单目相机，不依赖于深度传感器或激光雷达。HGI-SLAM利用几何和显著特征，将它们处理成描述符，并针对词袋算法对其进行优化。通过使用一个并发线程，并结合我们的循环关闭检测与ORB-SLAM 2，我们的系统是一个完整的SLAM框架。我们提出了广泛的评估HGI循环检测和HGI-SLAM的KITTI和EuRoC数据集。我们还对我们的特征进行了定性分析。我们的方法可以实时的运行，并且对大的视点变化具有鲁棒性，同时在有机环境中保持准确。HGI-SLAM是一种端到端SLAM系统，仅需要单目视觉，并且在性能上与最先进的SLAM方法相当。
2022-09-18 cs.RO
Robust tightly coupled pose estimation based on monocular vision, inertia, and wheel speed
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
视觉SLAM方法被广泛用于复杂环境中的自定位和映射。视觉惯性SLAM将摄像机和惯性测量单元相结合，可以显著提高鲁棒性，实现尺度弱可见性，而单目视觉SLAM是尺度不可见的。对于地面移动机器人，引入轮速传感器可以解决尺度弱可见性问题，提高异常情况下的鲁棒性。在本论文中，我们提出了一个利用单目视觉、惯性和轮速量测的多传感器融合SLAM演算法。传感器测量以紧耦合的方式组合，采用非线性优化方法最大化后验概率，求解最优状态估计。添加环路检测和后端优化以帮助减少甚至消除估计姿态的累积误差，从而确保轨迹和地图的全局一致性。结合底盘速度和惯性测量单元角速度的车轮里程表预积分算法，避免了迭代优化过程中线性化点变化引起的重复积分;基于车轮里程表和惯性测量单元的状态初始化，能够快速可靠地计算出静止和运动状态下状态估计器所需的初始状态值。在房间规模场景、建筑规模场景和视觉丧失场景中进行了比较实验。实验结果表明，该算法定位精度高，移动812 m后的累计误差为2.2 m（0.28%，禁用最优化），鲁棒性强，即使在视觉损失等传感器丢失的情况下也能有效定位。该方法的准确性和鲁棒性优于单目视觉惯性SLAM和传统的车轮里程计。
2020-03-05 cs.RO
g2o vs. Ceres: Optimizing Scan Matching in Cartographer SLAM
School of Engineering（工程学院）；Computer Science Laurentian University（计算机科学拉夫伦大学）
本文对比了Cartographer SLAM框架中g2o与Ceres求解器的扫描匹配性能，发现Ceres在速度、收敛效率和地图清晰度上整体占优，而g2o在局部障碍物检测中具有特定优势。
2025-07-09 cs.RO
Ultimate SLAM? Combining Events, Images, and IMU for Robust Visual SLAM in HDR and High Speed Scenarios
ETH（苏黎世联邦理工学院）；University of Zurich（苏黎世大学）
事件摄像机是生物启发的视觉传感器，输出像素级亮度变化，而不是标准的强度帧。这些相机不会受到运动模糊的影响，并且具有非常高的动态范围，这使得它们能够在高速运动期间或在以高动态范围为特征的场景中提供可靠的视觉信息。然而，当运动量受限时，例如在几乎静止运动的情况下，事件相机仅输出很少的信息。相反，标准相机在大多数时间（在低速和良好照明场景中）提供有关环境的即时和丰富的信息，但在快速运动或困难照明（如高动态范围或低光场景）的情况下，它们会严重失败。在本文中，我们提出了第一个状态估计管道，利用这两个传感器的互补优势，融合在一个紧密耦合的方式事件，标准帧，和惯性测量。我们在公开的事件相机数据集上显示，我们的混合管道比仅事件管道的精度提高了130%，比仅标准帧的视觉惯性系统提高了85%，同时仍然是计算上易于处理的。此外，我们使用我们的管道来展示-据我们所知-第一次自主四旋翼飞行使用事件相机进行状态估计，解锁传统视觉惯性里程计无法达到的飞行场景，例如低光环境和高动态范围场景。
2018-01-22 cs.CV cs.RO
RP-SLAM: Real-time Photorealistic SLAM with Efficient 3D Gaussian Splatting
Tongji University（同济大学）；Tohoku University（东北大学）
针对3DGS集成到SLAM中存在的基元冗余、遗忘问题及单目初始化难的问题，提出包含增量建图、动态窗口优化、单目关键帧初始化的RP-SLAM，在保证实时性和模型紧凑性的同时实现了SOTA的地图渲染精度。
2024-12-13 cs.CV cs.GR cs.RO
RGB-L: Enhancing Indirect Visual SLAM using LiDAR-based Dense Depth Maps
Technical University of Munich（慕尼黑工业大学）
在本文中，我们提出了一种新的方法，将三维激光雷达深度测量到现有的ORB-SLAM 3的RGB-D模式的基础上。我们提出并比较了两种深度图生成方法：传统的计算机视觉方法，即逆膨胀操作，以及基于监督的深度学习方法。我们通过添加一个所谓的RGB-L（LiDAR）模式直接将前者集成到ORB-SLAM 3框架中，该模式直接读取LiDAR点云。所提出的方法进行评估的KITTI Odometry数据集，并相互比较和标准的ORB-SLAM 3立体方法。我们证明，根据环境的不同，可以实现轨迹精度和鲁棒性的优势。此外，我们证明了ORB-SLAM 3算法的运行时间可以减少40%以上的立体声模式相比。ORB-SLAM 3 RGB-L模式的相关代码将在https://github.com/TUMFTM/ORB SLAM 3 RGBL下作为开源软件提供。
2022-12-06 cs.RO
Sparse Depth Enhanced Direct Thermal-infrared SLAM Beyond the Visible Spectrum
KAIST（韩国科学技术院）
在本文中，我们提出了一个热红外同时定位与地图构建（SLAM）系统增强稀疏深度测量从光探测和测距（LiDAR）。与在可见光谱下工作的RGB相机相比，热红外相机对雾、烟雾和动态照明条件相对稳健。由于热红外相机的优点，利用它们进行运动估计和映射是非常有吸引力的。然而，由于模态差异，在现有的基于视觉的方法中直接操作热红外相机是困难的。本文提出了一种利用稀疏深度测量进行6自由度运动估计的方法，在热像仪14位原始测量下直接跟踪。此外，我们进行了改进，以提高局部精度，并包括一个循环闭合，以保持全局一致性。实验结果表明，该系统不仅在各种光照条件下，如白天和夜晚的鲁棒性，而且还克服了单目摄像机的规模问题。该视频可在https://youtu.be/oO7lT3uAzLc上获得。
2019-02-28 cs.CV cs.RO
Are We Ready for Service Robots? The OpenLORIS-Scene Datasets for Lifelong SLAM
Beijing Jiaotong University（北京交通大学）；Intel Labs China（英特尔中国实验室）；Beihang University（北京航空航天大学）；Tsinghua University（清华大学）；Gaussian Robotics（高斯机器人）；Department of Electronic Engineering and BNRist（电子工程系和BNRist）
服务机器人应该能够在动态和日常变化的环境中长时间自主运行。虽然同时定位与地图构建（SLAM）是机器人自主性的最基本的问题之一，但是大多数现有的SLAM作品都是用在短时间内记录的数据序列来评估的。在现实世界的部署中，可能存在由自然因素和人类活动引起的视线外场景变化。例如，在家庭场景中，大多数对象可能是可移动的、可替换的或可变形的，并且同一地点的视觉特征可能在某些连续的日子中显著不同。这种看不见的动态对姿态估计的鲁棒性以及因此对机器人的长期部署和操作提出了极大的挑战。为了将上述问题与通常在单次运行中在静态设置中评估的常规工作区分开，术语\textit{lifelong SLAM}在此用于解决在长时间段内不断变化的环境中的SLAM问题。为了加速终身SLAM研究，我们发布了OpenLORIS场景数据集。这些数据是在真实的室内场景中收集的，在每个地方多次收集，以包括现实生活中的场景变化。我们还设计了终身SLAM的基准测试指标，分别评估姿态估计的鲁棒性和准确性。数据集和基准可在https://lifelong-robotic-vision.github.io/dataset/scene上在线获得。
2020-03-14 cs.CV cs.RO
LiDAR SLAMMOT based on Confidence-guided Data Association
Shanghai Jiao Tong University (SJTU)（上海交通大学）；École d’Ingénieurs SJTU-ParisTech (SPEIT)（上海交通大学巴黎高科工程师学院）
针对动态场景下漏检导致SLAMMOT跟踪关联失效的问题，提出Conf SLAMMOT，通过置信度引导的因子图数据关联紧耦合LiDAR SLAM与多目标跟踪，显著提升漏检场景性能。
2024-12-02 cs.RO
All-UWB SLAM Using UWB Radar and UWB AOA
Singapore University of Technology and Design（新加坡科技设计大学）
本文提出将UWB到达角测量融入UWB雷达SLAM系统，通过机器人动态部署锚点-标签单元，解决视觉受限且特征匮乏环境下的定位与建图精度和可扩展性问题。
2025-07-21 cs.RO
