将门创投分享《三维视觉与机器人》
2020年1月20日
1月16日我在将门创投在线直播分享了《三维视觉与机器人》，现将完整录像与 PPT 同步分享到这里。由于能力有限，经验不足，还望大家批评指正。
分享目录
SLAM 研究内容与应用概要
专题1：VIO& 多传感器融合
专题2：Struct SLAM
专题3：Visual Localization
专题4：激光SLAM
专题5：三维重建
专题6：语义 SLAM & HDMap
相关下载
PPT 下载
[pdf-embedder url=”https://www.liuxiao.org/wp-content/uploads/2020/01/三维视觉与机器人_刘骁-将门-PDF.pdf”]
PPT 下载
录像下载（by 将门创投）
https://pan.baidu.com/s/1Sl9dYQsOxq4WVlotp8TNTg
相关地址
将门创投公众号：https://mp.weixin.qq.com/s/j_ZkLG4TrOu9o4hI31gPGw
视频回顾（B站）：https://www.bilibili.com/video/av83616108/
2 Comments
感谢您精彩的分享！由于本人前段时间也有调研过关于线段特征在slam中的应用，在此有几个问题：
1. 点+structline结合与单一的点特征优势在哪里？
2. 线段特征的数据关联算法除了LBD，线段特征的双目匹配耗时仍然是一大瓶颈，请问现阶段还有没有更加高效的算法？
3. 报告中的算法与上交邹丹平老师的Struct SLAM有什么异同？
感谢您的回复。
你好，这些问题还挺不好讲的，可能需要专门搞 Struct SLAM 的大牛来解答下哈，我只能说下我的粗浅理解或者猜测：
1、我觉得优势就是在很多场景（比如走廊之类）没有什么点的时候，线特征可能仍然比较丰富。另外线特征比较丰富的时候，加入线特征约束更强一些可能会提高一些精度。
2、我是比较支持深度学习代替 SLAM 的视觉前端部分的，不论是点、线还是面的检测，前端方面有 GPU 加成的话是有可能做到又快又好的；
3、我对邹老师的工作也只是很久以前听过一次报告，印象中好像有一些区别，后面有机会我们会适时整理下我们的工作 Paper，你可以到时再对比下：1）邹老师的工作应该基于滤波，我们都是基于优化；2）邹老师的工作基于曼哈顿假设，我们没有这种假设，所以线参数化之类的细节上有区别；3）我们后来在点线基础上加入了平面、曲线等等。