A real-time, robust and versatile visual-SLAM framework based on deep learning networks

本文探讨了深度学习技术如何提高在具有挑战性环境下的基于视觉的SLAM性能。通过结合深度特征提取和深度匹配方法，我们引入了一个多功能的混合视觉SLAM系统，旨在增强在挑战性场景下的适应性，例如低光条件、动态光照、弱纹理区域和严重抖动。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系统相对于传统方法的优越性。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。

论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，解决低光照、动态光照、弱纹理区域和严重抖动等挑战性场景下的问题。

该论文提出了一种深度特征提取和深度匹配相结合的混合视觉SLAM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，以提高适应性和鲁棒性。

该论文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SLAM算法。此外，作者还公开了源代码。

最近的相关研究包括：'Visual SLAM: A Survey from Technology to Application'、'ORB-SLAM2: An Open-Source SLAM System for Monocular, Stereo, and RGB-D Cameras'等。