两篇大而全的SLAM综述

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

作者：iceytan | 来源：知乎

https://zhuanlan.zhihu.com/p/111725538

本文仅做学术分享，如有侵权，请联系删除。

本文整理参考自^[1]及^[2]，当然，能力有限，不会将历史上所有的经典文章都摘录下来，主要还是给自己mark着看。

大而全的两个综述

两篇涉及到SLAM中几个不同话题的综述，同时也是本文绝大部分资料的来源

下载网址：

https://ieeexplore.ieee.org/abstract/document/7747236/

这一篇2016 年的综述从（1）Long-Term SLAM 任务中的算法“鲁棒性”和“尺度适应”两方面 （2）地图的表示形式（分别从尺度图与语义图）（3）SLAM的新的理论工具和新传感器在SLAM应用（3）Active SLAM（一种以减少状态估计不确定性为需求的SLAM过程）和（4）有关深度学习在SLAM中的应用 几个方面，先阐述每一个方面的基本挑战和问题，接着指出未来可能的工作方向。在第一部分，该综述简单总结了SLAM的任务和其存在的必要性、研究进展与历史、建模方法（基于滤波和优化）和相关学科支持。

在 SLAM: 现在，未来和鲁棒年代（一）| 翻译 处已经有简单翻译版本。

翻译版本网址：

https://ieeexplore.ieee.org/abstract/document/8025618/

这篇2017年的综述主要通过分析KITTI上排名靠前的算法，介绍了SLAM方法在自动驾驶方面的局限性，然后讨论了如何减轻这些局限性，行文主要包括（1）从基于滤波和基于优化两个方面介绍常用状态估计技术（2）给出近年来的细分主题的综述及相关数据集说明（3）给出已有SLAM方法的介绍及拓展到“自动驾驶”领域引发的“局限”讨论（4）在单体SLAM中提升建图一致性的措施和讨论（5）以“在线集成”及“离线集成”为分类的有关多机SLAM技术的讨论（6）应用于自动驾驶大规模尺度的SLAM介绍以及最后的（7）总结，指出新技术（如深度学习）在SLAM中的应用及指出其他领域（航空）同样开始涉及SLAM技术。

两篇更早期的SLAM问题综述文章，第一部分比较像简单的入门教程，第二部分则是当时较新的方法的简介（2006）：

入门教程网址：

https://ieeexplore.ieee.org/document/1638022

较新的方法的简介（2006）

文章下载地址：

https://ieeexplore.ieee.org/abstract/document/1678144/

对基于滤波方法的SLAM的利与弊讨论（2008）

下载地址：

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.163.6439&rep=rep1&type=pdf

有关“基于滤波”和“基于优化”的方法的比较（2010与2012）：

Real-time monocular SLAM: Why filter?

下载地址：

https://ieeexplore.ieee.org/abstract/document/5509636

Visual SLAM: Why filter?

下载地址：

https://www.sciencedirect.com/science/article/abs/pii/S0262885612000248

都有Gamini Dissanayake参与的，涉及到现代SLAM中 “可观性”、“一致性”、“收敛性”以及计算效率和复杂度的两篇理论探讨文章（2011与2016）：

文章下载地址：

1、https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=6038117

2、https://journals.sagepub.com/doi/full/10.1177/1729881416669482

涉及到“基于视觉的地点重定位”的调研（2016），主要介绍“重定位”问题中的 图像处理（特征和描述符）、地图表示和置信度估计：

文章下载地址：

https://ieeexplore.ieee.org/abstract/document/7339473/

涉及到“多机器人SLAM”的调研（2016）：

文章下载地址：

https://onlinelibrary.wiley.com/doi/abs/10.1002/rob.21620

参考：

1.^Past, present, and future of simultaneous localization and mapping: Toward the robust-perception age. 

2.^Simultaneous localization and mapping: A survey of current trends in autonomous driving 

推荐阅读：

• 专辑|相机标定
  

• 专辑|3D点云
  

• 专辑|SLAM
  

• 专辑|深度学习与自动驾驶
  

• 专辑|结构光
  

• 专辑|事件相机
  

• 专辑|OpenCV学习
  

• 专辑|学习资源汇总
  

• 专辑|招聘与项目对接

• 专辑|读书笔记

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近1000+星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题