快看，那个学SLAM 的崩溃了!

点“计算机视觉life”关注，置顶更快接收消息！

本文列举了当前优秀SLAM方案，点出了SLAM学习者的困境，最后打算搞点大事

请把此文转发给你认识的SLAM大神，愿你头发浓密，心想事成

当前优秀SLAM方案一览

研究SLAM的小伙伴入门的时候都经历过痛苦阶段，这是因为SLAM是个系统工程，算法比较难实现。但好在有不少优秀的开源代码可以借鉴，这里列举一些目前比较流行的开源SLAM方案（分类方式不一定科学，凑合看哈）：

纯视觉SLAM开源方案：

稀疏地图

ORB SLAM v2 (单目、双目、RGB-D)

半稠密地图

LSD SLAM (单目、双目、RGB-D)
DSO (单目)
SVO(单目, 仅VO)

稠密地图

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

多传感器融合

VINS (单目+IMU、双目+IMU)
OKVIS (单目+IMU、双目+IMU)
ROVIO (单目+IMU）
RKSLAM (单目+IMU）
Cartographer (LIDAR + IMU)
V-LOAM (单目+LIDAR)

和深度学习结合

CNN-SLAM: 将LSD-SLAM里的深度估计和图像匹配都替换成基于CNN的方法，并可以融合语义
VINet : Visual-inertial odometry as a sequence-to-sequence learning problem: 利用CNN和RNN构建了一个VIO，即输入image和IMU信息，直接输出估计的pose
3DMV: Joint 3D-Multi-View Prediction for 3D Semantic Scene Segmentation: 联合3D多视图预测网络在室内环境中进行RGB-D扫描的3D语义场景分割
ScanComplete: Large-Scale Scene Completion and Semantic Segmentation for 3D Scans: 将场景的不完整3D扫描作为输入，能够预测出完整的3D模型以及每个体素的语义标签
DeepVO: A Deep Learning approach for Monocular Visual Odometry
Lightweight Unsupervised Deep Loop Closure: 用CNN解决闭环问题

以上不全，还请大神留言补充哈

下面是重点～

那些年有没有哭晕在厕所？

很多研究SLAM的小伙伴通常会经历以下阶段：

看SLAM相关的论文，发现很多公式、理论看不懂，好不容易努力看了个大概，也不知道具体怎么用。
于是去跑开源代码，安装调试出错，网上也找不到解决方案。不知道是环境配置问题还是代码有bug。
好不容易跑通了代码。在实际测试时发现问题很多，远不如论文里写的那么牛逼，不知道这个算法的适用场景是什么。抓不住重点瞎折腾，浪费了时间。
没办法，硬着头皮去看代码，代码量又非常大，看起来非常痛苦，急需大牛帮忙梳理思路。
摸索了很久，终于发现有几个点（藏的很深）好像比较影响算法性能，还发现了一些trick的东西。自己也不会改进，感觉被骗了，纠结要不要换个开源试试。
反反复复好不容易找到适合自己的开源方案，发现上面过程要再来一遍，想要理清代码，搞懂原理也要花费大量精力，更别提改进代码了。
哭晕在SLAM的汪洋大海里。。。

学习SLAM中经历上述阶段是令人痛苦的，关键是浪费了很多宝贵的时间，即使是SLAM大神，我估计或多或少都经历过上述阶段。如果一开始有大神指点一下，肯定能绕开不少坑吧

希望在这里

基于此，计算机视觉life想要做一件事情，就是解读目前流行的开源SLAM方案（包括但不限于上述列表），帮助SLAM学习者少踩坑。如果你是一位SLAM研究者，对目前SLAM流行的开源方案有一定研究，可以加入我们，一起搞点大事。

加入方法：

请简单介绍一下自己的基本信息，如果能直接附上简历（可选）就更好啦，基本信息包括但不限于：

姓名、微信号、所在学校/公司、熟悉哪个SLAM框架，可以详细描述一下特长：比如对xx开源算法熟悉原理应用，做过xx项目，发表过xx论文，主导过xx产品等。

以上越详细越好，请务必留下微信号，方便取得联系

本文长期有效，请将上述信息发送至 simiter@126.com，邮件标题「开源SLAM」。不管是否通过筛选，一周内都会收到回复。

最后，请把此文转发给你认识的SLAM大神，愿你头发浓密，心想事成。