SLAM 領(lǐng)域發(fā)展到現(xiàn)在，還有什么的研究的大方向呢?
本文經(jīng)自動駕駛之心公眾號授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。
Sky Shaw
目前的話，我認為若是探索、討論和分析一些SLAM領(lǐng)域的新方向的話，除了對目前已有的算法進行較完整的分析外，再就是結(jié)合實際落地的困難點進行單方向的深入研究了。
本人在之前的文章中針對激光SLAM中的挑戰(zhàn)和階段進行過一次簡單地分析，SLAM技術(shù)綜述、挑戰(zhàn)和階段分析。
截止至2022年5月24日，2022年ICRA總共收到了3344篇文章的申請，最終1498篇文章通過審核上線發(fā)表。在這優(yōu)秀的1498篇文章中，SLAM、Sensor-Fusion和Localization領(lǐng)域的文章簡單整理下來有140篇左右，再進一步細分Visual SLAM相關(guān)領(lǐng)域的有大約58篇，利用視覺傳感器進行定位的相關(guān)論文大約有22篇，Lidar SLAM相關(guān)領(lǐng)域文章大約是23篇，基于雷達傳感器的定位模塊的相關(guān)論文就只有9篇左右。由上可見，視覺方向的相關(guān)研究相較于激光方向還是更加收科研人員和審稿者青睞，從工業(yè)落地和傳感器性能發(fā)展的角度上分析的話，人們還是希望能將實現(xiàn)該技術(shù)所產(chǎn)生的費用降到global min，同時從發(fā)表的論文主題上看，越來越多的優(yōu)秀科研人員已經(jīng)在視覺和激光傳感器的融合方向上做出了突出的成績，往后展望多傳感器融合的工作還能繼續(xù)挖掘，并且相對來說較容易做出“成果”
最后，籠統(tǒng)的來說，可以先考慮一個絕對安全的前提環(huán)境（也就是感知和決策功能100%無故障運行），自主移動機器人的大規(guī)模落地對SLAM的性能指標(biāo)方向可以歸納為三類：魯棒性、精度和效率，往下細分一些具體的方向和困難的話，我個人認為還有以下幾個方面可以深入研究和分析：
- 退化場景下給位姿估帶來的挑戰(zhàn)
- 傳感器失效時給融合技術(shù)帶來的挑戰(zhàn)
- 動態(tài)場景中作業(yè)給SLAM帶來的難點及其life-long問題落地的挑戰(zhàn)
- Large-Scale SLAM技術(shù)落地的挑戰(zhàn)
- SLAM(Localization)技術(shù)在低算力處理器上的實時性挑戰(zhàn)
- SLAM技術(shù)輸出的“地圖”最終的形態(tài)到底應(yīng)該是何種表現(xiàn)形式的疑問
以上問題的具體分析可詳見：ICRA 2022 All PaperList | 給SLAM研究帶來的啟發(fā) | SLAM領(lǐng)域研究方向的思考
以上是我個人的拋磚引玉了，上述內(nèi)容如若存在不嚴(yán)謹和錯誤的地方，還望大佬們批評和指正。同時，希望有更多的大佬們來討論這個問題。我是致力于機器人和自動駕駛技術(shù)研究的Sky Shaw，樂衷于在知乎上分享前沿技術(shù)的分析和個人職業(yè)經(jīng)驗，歡迎大家點贊和關(guān)注支持
殷鵬
這個問題關(guān)注的人好少，slam領(lǐng)域還是太冷清了。
可以研究的方向有一堆啊，跟cv結(jié)合，跟rl結(jié)合，跟gan結(jié)合，和nerf綁定，跟決策結(jié)合等。問題不在于有什么大方向，而在于什么是slam。
其實SLAM的研究熱點不只是里程計這些算法，它里面所涉及的場景識別和數(shù)據(jù)耦合在當(dāng)前大模型+機器人的時代背景下，變得越來越重要，甚至包括跟強化學(xué)習(xí)的高度耦合。雖然SLAM這個領(lǐng)域已經(jīng)誕生了幾十年，但是我始終感覺，SLAM的核心熱點才剛剛開始。我在之前的一個帖子里面詳細的展開了一些討論，后面也會和大家多多分享SLAM的最前沿進展。
在機器人/自動駕駛中，強化學(xué)習(xí)和slam哪個方向更有前景？
不可否認的是，在最近一段時間，SLAM領(lǐng)域灌水的文章確實層出不窮，各種各樣類型的數(shù)據(jù)融合算法、視覺/激光里程計方法都在講述同一個故事，但是本質(zhì)上很少有太大的創(chuàng)新性。但是正如在很多腦神經(jīng)方面的文章分析所得，哺乳動物都存在一個類似的“海馬”模樣的零部件，就叫做海馬回“Hippocampus”。它復(fù)雜了智能體的定位和記憶能力，而這種能力又跟智能體自身的行為優(yōu)化（強化學(xué)習(xí)）密切相關(guān)。因此如何把SLAM的基礎(chǔ)技能和智能體的行為優(yōu)化綁定起來，會是以后SLAM領(lǐng)域的一個核心研究熱點。在這個方面上我們也有一些列工作，而且隨著Lifelong Leanring和大模型的進化，這個領(lǐng)域也會變大越來越具備使用價值。
換句話說，SLAM不再是定位+建模這兩件小事情，而是指引智能體進化的核心引擎之一。
具體請參考我在SLAM/RL中的考慮。
solomon-ma
這可多了去了呀拆分SLAM看看，無非是定位和建圖兩大部分。
定位：
- 結(jié)合大語言模型定位
- 結(jié)合語義地圖定位
- 沒有地圖，邊探索邊定位（未知環(huán)境下如何快速定位）
- 場景圖構(gòu)建
- 開放場景下定位
建圖：
- 構(gòu)建稠密地圖（mesh）
- “實時”構(gòu)建稠密地圖（mesh）
- 多智能體配合建圖（mesh）
- 構(gòu)建層次化地圖
- 自主建圖（機器人自主判斷下一個視角位置）
把SLAM當(dāng)成個組件，往上走：
- object navigation
- social navigation
- image navigation
- image arrangement
劉斯坦
代碼是挺多的，就是沒一個能用的。SLAM的框架，隨便哪一個，拉出來就是巨大的一個東西，每個小部分都需要調(diào)設(shè)置參數(shù)。前前后后加起來的設(shè)置能有四五十個，互相之間還有邏輯聯(lián)系！
給我一個場景，我慢慢調(diào)，總能調(diào)出能用的那么一組參數(shù)。一個視頻某一幀跟丟了，找?guī)讉€閾值調(diào)一調(diào)，最終總是能連上。但要找到一組參數(shù)放心的讓他隨便跑，那是不可能的。
各種SLAM框架的魯棒性還是太差了，不說一組參數(shù)跑到底吧，能夠想辦法對場景進行自適應(yīng)參數(shù)調(diào)節(jié)那也是不錯的。我覺得這個方向大有可為，至少我在工作的時候，會被迫去實現(xiàn)這個，但似乎沒見過這方面的論文。
格雷伍德斯堪
我認為在學(xué)術(shù)上面，SLAM仍然有著很大的提升空間，而題主所說的在工業(yè)方面的落地，仍然也有著很長的路要走。
學(xué)術(shù)上，目前SLAM系統(tǒng)大概是厘米級別的精度，那么如何提升到毫米級別呢？顯然需要更高精度的傳感器，而如果引入新的傳感器的話，那么又會涉及到優(yōu)化的問題，大家都用位姿圖，都用滑窗，那么這其中最底層的數(shù)學(xué)原理是不是也能夠創(chuàng)新呢？顯然這也是一個待解決的問題，而引入新的傳感器后如何進行時間同步呢？畢竟也不是所有的傳感器都支持硬件觸發(fā)。而且在優(yōu)化的過程中，如果位姿圖規(guī)模過大，SLAM實時性又會出現(xiàn)問題，因此如何能夠權(quán)衡SLAM精度和實時性呢？相似的問題還有很多。
除了增加傳感器，再來談一談算法和特征的角度，ORBSLAM只用了特征點，眾所周知，特征點只占了一幅圖像中的很少一部分，也就是說ORBSLAM是稀疏特征點以及匹配的系統(tǒng)，那么剩下的數(shù)目巨大的像素點呢，我們是否也可以考慮通過ICP等方法來充分利用呢？而且僅僅基于特征點的話在室內(nèi)環(huán)境中也會出現(xiàn)特征數(shù)量不足的問題，那么我們也可以進一步充分利用圖像中檢測到的特征線以及平面，以及線和面之間都有特殊的幾何關(guān)系，比如平行，正交，亦或是一些其他的特殊結(jié)構(gòu)，如果我們能夠?qū)⑦@些引入到整個SLAM或者優(yōu)化系統(tǒng)當(dāng)中，那么是否能讓系統(tǒng)更加魯棒呢？跑過SLAM的同學(xué)都有體會，如果在一些快速轉(zhuǎn)彎的地方很容易出現(xiàn)追蹤失敗的問題，那么在一些極端條件下，我們是否能通過一些registration的方法來計算出pose從而使系統(tǒng)更加穩(wěn)定呢？
類似的問題還有很多，如果從語義理解以及場景理解來說，SLAM系統(tǒng)仍有很大的提升空間，SLAM+DL, SLAM+RL?
很多方向都可以進行思考至于工業(yè)界落地的話，就要平衡好SLAM的實時性 內(nèi)存消耗 以及 魯棒性的問題，需要考慮的也有很多。
本人也是SLAM小學(xué)生，剛剛學(xué)習(xí)不到兩年，回答中如有不嚴(yán)謹或者錯誤的地方，歡迎大家指正。
IRPN-HKUST(GZ)
本人推薦如下兩個方向：
- 動態(tài)場景下的SLAM（基于神經(jīng)網(wǎng)絡(luò)和/或多視圖幾何約束）；
- 三維場景/物體重建及渲染（基于神經(jīng)網(wǎng)絡(luò)，利用幾何先驗和/或語義信息）和SLAM相結(jié)合。
