SL-SLAM: A robust visual-inertial SLAM based deep feature extraction and matching

本文探讨了深度学习技术如何提高在复杂环境下视觉SLAM的性能。通过结合深度特征提取和深度匹配方法，我们引入了一种多功能的混合视觉SLAM系统，旨在增强在低光照条件、动态光照、弱纹理区域和严重抖动等挑战性场景下的适应性。我们的系统支持多种模式，包括单目、立体、单目惯性和立体惯性配置。我们还分析了如何将视觉SLAM与深度学习方法相结合，以启发其他研究。通过在公共数据集和自采样数据上进行广泛实验，我们展示了SL-SLAM系统相对传统方法的优越性。实验结果表明，SL-SLAM在定位精度和跟踪稳健性方面优于最先进的SLAM算法。为了造福社区，我们在https://github.com/zzzzxxxx111/SLslam上公开了源代码。

本文旨在探讨如何利用深度学习技术提高在复杂环境下的视觉SLAM性能。这篇论文试图解决的问题是如何在低光、动态光照、纹理较弱和严重抖动等挑战性情况下，提高SLAM的适应性。

本文提出了一种结合深度特征提取和深度匹配方法的混合视觉SLAM系统，以增强在挑战性场景下的适应性。该系统支持多种模式，包括单目、双目、单目惯性和双目惯性配置。通过在公共数据集和自采样数据上进行广泛实验，证明了SL-SLAM系统在定位精度和跟踪鲁棒性方面优于传统方法。

本文的亮点包括：实验设计严谨，使用了公共数据集和自采样数据，通过深度学习技术提高了SLAM的性能，提出了一种混合视觉SLAM系统，支持多种模式，并公开了源代码。

最近在这个领域中，还有一些相关的研究，如：Visual SLAM in Dynamic Environments: A Survey，ORB-SLAM2: An Open-Source SLAM System for Monocular, Stereo, and RGB-D Cameras等。