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基于视觉的SLAM的表现。我们将深度特征提取和深度匹配方法相结合，引入了一种多功能的混合视觉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，我们证明了SL-SLAM系统在定位精度和跟踪稳健性方面优于传统方法。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，我们公开了源代码，网址为https://github.com/zzzzxxxx111/SLslam。

本文旨在探讨如何通过深度学习技术来提高视觉SLAM在复杂环境下的表现。

通过结合深度特征提取和深度匹配方法，引入了一种多功能的混合视觉SLAM系统，旨在增强在低光条件、动态光照、弱纹理区域和严重抖动等具有挑战性的场景下的适应性。

本文支持多种模式，包括单目、立体、单目惯性和立体惯性配置。通过在公共数据集和自采样数据上进行广泛实验，表明了SL-SLAM系统在定位精度和跟踪鲁棒性方面优于传统方法。研究人员开源了代码。

在这个领域中，最近的相关研究包括：《ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo, and RGB-D Cameras》、《Visual SLAM algorithms: a survey from 2010 to 2016》。