CP-SLAM: Collaborative Neural Point-based SLAM System

本文介绍了一种使用RGB-D图像序列的协作式隐式神经同时定位和映射（SLAM）系统，包括里程计、环路检测、子地图融合和全局优化等完整的前端和后端模块。为了在一个统一的框架中实现所有这些模块，我们提出了一种新颖的基于神经元的点云三维场景表示方法，其中每个点维护一个可学习的神经元特征用于场景编码，并与某个关键帧相关联。此外，我们提出了一种分布式到集中式学习策略，用于提高协作式隐式SLAM的一致性和合作性。我们还提出了一种新颖的全局优化框架，类似于传统的捆绑调整，以提高系统的精度。在各种数据集上的实验证明了所提出方法在相机跟踪和映射方面的优越性。

本文试图解决使用RGB-D图像序列的协同隐式神经同时定位和映射（SLAM）系统的问题，包括里程计、循环检测、子地图融合和全局优化等模块，同时提高系统的一致性和协作性。

本文的关键思路是提出了一种新的神经点云三维场景表示方法，其中每个点都维护一个可学习的神经特征来进行场景编码，并与某个关键帧相关联。同时，提出了分布式到集中式学习策略来改善协同隐式SLAM的一致性和协作性，并且提出了新的全局优化框架来提高系统的精度。

本文的实验结果表明，提出的方法在相机跟踪和映射方面都具有优越性。此外，本文还设计了多组实验，使用了多个数据集，并且开源了代码。值得继续深入研究的工作包括如何进一步提高系统的精度和效率，以及如何将该方法应用于其他SLAM问题中。

最近在这个领域中，还有一些相关的研究，如： 1. Neural-SLAM: Learning to Explore with External Memory for Robotic Navigation 2. DeepTIO: A Deep Thermal-Inertial Odometry for Legged Robots 3. PL-SLAM: a Stereo SLAM System through the Combination of Points and Line Segments