快看，那個學SLAM 的崩潰了!

<p style="text-align:center"> 點「計算機視覺life」關注，置頂更快接收消息！ </p>

---

本文列舉了當前優秀SLAM方案，點出了SLAM學習者的困境，最後打算搞點大事

請把此文轉發給你認識的SLAM大神，願你頭髮濃密，心想事成

當前優秀SLAM方案一覽

研究SLAM的小夥伴入門的時候都經歷過痛苦階段，這是由於SLAM是個系統工程，算法比較難實現。但好在有很多優秀的開源代碼能夠借鑑，這裏列舉一些目前比較流行的開源SLAM方案（分類方式不必定科學，湊合看哈）：

純視覺SLAM開源方案：

稀疏地圖

• ORB SLAM v2 (單目、雙目、RGB-D)

半稠密地圖

• LSD SLAM (單目、雙目、RGB-D)
• DSO (單目)
• SVO(單目, 僅VO)

稠密地圖

• RGB-D SLAM V2 (RGB-D)
• Kintinuous (RGB-D)
• Elastic Fusion (RGB-D)
• Bundle Fusion (RGB-D)
• InfiniTAM (RGB-D)
• RTAB-Map (RGB-D，雙目，LIDAR)

多傳感器融合

• VINS (單目+IMU、雙目+IMU)
• OKVIS (單目+IMU、雙目+IMU)
• ROVIO (單目+IMU）
• RKSLAM (單目+IMU）
• Cartographer (LIDAR + IMU)
• V-LOAM (單目+LIDAR)

和深度學習結合

• CNN-SLAM: 將LSD-SLAM裏的深度估計和圖像匹配都替換成基於CNN的方法，並能夠融合語義
• VINet : Visual-inertial odometry as a sequence-to-sequence learning problem: 利用CNN和RNN構建了一個VIO，即輸入image和IMU信息，直接輸出估計的pose
• 3DMV: Joint 3D-Multi-View Prediction for 3D Semantic Scene Segmentation: 聯合3D多視圖預測網絡在室內環境中進行RGB-D掃描的3D語義場景分割
• ScanComplete: Large-Scale Scene Completion and Semantic Segmentation for 3D Scans: 將場景的不完整3D掃描做爲輸入，可以預測出完整的3D模型以及每一個體素的語義標籤
• DeepVO: A Deep Learning approach for Monocular Visual Odometry
• Lightweight Unsupervised Deep Loop Closure: 用CNN解決閉環問題

以上不全，還請大神留言補充哈

下面是重點～

那些年有沒有哭暈在廁所？

不少研究SLAM的小夥伴一般會經歷如下階段：

1. 看SLAM相關的論文，發現不少公式、理論看不懂，好不容易努力看了個大概，也不知道具體怎麼用。
2. 因而去跑開源代碼，安裝調試出錯，網上也找不到解決方案。不知道是環境配置問題仍是代碼有bug。
3. 好不容易跑通了代碼。在實際測試時發現問題不少，遠不如論文裏寫的那麼牛逼，不知道這個算法的適用場景是什麼。抓不住重點瞎折騰，浪費了時間。
4. 沒辦法，硬着頭皮去看代碼，代碼量又很是大，看起來很是痛苦，急需大牛幫忙梳理思路。
5. 摸索了好久，終於發現有幾個點（藏的很深）好像比較影響算法性能，還發現了一些trick的東西。本身也不會改進，感受被騙了，糾結要不要換個開源試試。
6. 反反覆覆好不容易找到適合本身的開源方案，發現上面過程要再來一遍，想要理清代碼，搞懂原理也要花費大量精力，更別提改進代碼了。
7. 哭暈在SLAM的汪洋大海里。。。

學習SLAM中經歷上述階段是使人痛苦的，關鍵是浪費了不少寶貴的時間，即便是SLAM大神，我估計或多或少都經歷過上述階段。若是一開始有大神指點一下，確定能繞開很多坑吧

但願在這裏

基於此，計算機視覺life想要作一件事情，就是解讀目前流行的開源SLAM方案（包括但不限於上述列表），幫助SLAM學習者少踩坑。若是你是一位SLAM研究者，對目前SLAM流行的開源方案有必定研究，能夠加入咱們，一塊兒搞點大事。

加入方法：

請簡單介紹一下本身的基本信息，若是能直接附上簡歷（可選）就更好啦，基本信息包括但不限於：

姓名、微信號、所在學校/公司、熟悉哪一個SLAM框架，能夠詳細描述一下特長：好比對xx開源算法熟悉原理應用，作過xx項目，發表過xx論文，主導過xx產品等。

以上越詳細越好，請務必留下微信號，方便取得聯繫

本文長期有效，請將上述信息發送至 simiter@126.com，郵件標題「開源SLAM」。無論是否經過篩選，一週內都會收到回覆。

最後，請把此文轉發給你認識的SLAM大神，願你頭髮濃密，心想事成。

推薦閱讀

從零開始一塊兒學習SLAM | 爲何要學SLAM？ 從零開始一塊兒學習SLAM | 學習SLAM到底須要學什麼？ 從零開始一塊兒學習SLAM | SLAM有什麼用？ 從零開始一塊兒學習SLAM | C++新特性要不要學？ 從零開始一塊兒學習SLAM | 爲何要用齊次座標？ 從零開始一塊兒學習SLAM | 三維空間剛體的旋轉 從零開始一塊兒學習SLAM | 爲啥須要李羣與李代數？ 從零開始一塊兒學習SLAM | 相機成像模型 從零開始一塊兒學習SLAM | 不推公式，如何真正理解對極約束? 從零開始一塊兒學習SLAM | 神奇的單應矩陣 從零開始一塊兒學習SLAM | 你好，點雲 從零開始一塊兒學習SLAM | 給點雲加個濾網 從零開始一塊兒學習SLAM | 點雲平滑法線估計 從零開始一塊兒學習SLAM | 點雲到網格的進化 從零開始一塊兒學習SLAM | 理解圖優化，一步步帶你看懂g2o代碼 零基礎小白，如何入門計算機視覺？ SLAM領域牛人、牛實驗室、牛研究成果梳理 我用MATLAB擼了一個2D LiDAR SLAM 可視化理解四元數，願你再也不掉頭髮 最近一年語義SLAM有哪些表明性工做？ 視覺SLAM技術綜述 彙總 | VIO、激光SLAM相關論文分類集錦