我們總結了ICRA 2019 SLAM相關論文，分爲四個部分：
- 深度學習+傳統SLAM
- 傳統的SLAM / 3D視覺
- 基於深度學習的SLAM
- SLAM評估和數據集
本文介紹：基於深度學習的SLAM
1.E2E-VO/ SLAM
GEN-SLAM：單目同時定位和映射的生成建模
關鍵詞：SLAM，本地化，基於視覺的導航
超越自我監督自我運動估計的光度損失（深度學習，自我監督深度和里程錶，參考GeoNet和SfmLearner）
關鍵詞：SLAM，視覺學習，本地化
源碼地址：https://github.com/hlzz/DeepMatchVO
通過幾何意識課程學習學習單目視覺測距
關鍵詞：本地化，視覺學習，機器人深度學習和自動化
GANVO：無監督深度單眼視覺測距和生成性對抗網絡的深度估計
關鍵詞：機器人深度學習與自動化，本地化，視覺跟蹤
使用多個掩模進行單眼深度和自我運動的無監督學習
關鍵詞：機器人深度學習與自動化，SLAM
2. E2E Navigation
（AWARD）變分端到端導航和本地化
關鍵詞：機器人與自動化深度學習，交通計算機視覺，自主車輛導航
具有有限視野的複雜擁擠環境下的導航深度學習
關鍵詞：機器人深度學習與自動化，避碰，服務機器人
通過仿真推廣：將模擬和實際數據集成到基於視覺的自主飛行的深度強化學習中
關鍵詞：機器人深度學習與自動化
源碼地址：https://github.com/gkahn13/GtS
3.Feature & VPR
（AWARD）學習場景幾何在挑戰條件下進行視覺定位
關鍵詞：本地化，RGB-D感知，其他機器人應用的計算機視覺
定位區域識別的判別性視覺標記
關鍵詞：本地化，可視化導航，自動化計算機視覺
利用基於地標的圖像表示改進關鍵點匹配
關鍵詞：SLAM，本地化
基於CNN和手工製作的關鍵點描述符的比較
關鍵詞：SLAM，基於視覺的導航，機器人深度學習和自動化
一種用於視覺位置識別的多域特徵學習方法
關鍵詞：本地化，SLAM，績效評估和基準測試
基於檢索的本地化的日常圖像翻譯
關鍵詞：本地化，視覺學習，自主車輛導航
2D3D-MatchNet：學習匹配2D圖像和3D點雲的關鍵點
馮孟丹新加坡國立大學
關鍵詞：機器人與自動化深度學習，視覺學習，本土化
看不深：使用單視圖深度估計識別不同場景外觀下相反視點的位置
關鍵詞：本地化，機器人深度學習和自動化
多進程融合：使用多種圖像處理方法的視覺位置識別 - IRAL
關鍵詞：本地化，基於可視化的導航
4.Depth & Disparity
（AWARD）地理監督視覺深度預測
關鍵詞：視覺學習，傳感器融合
源碼地址：https://github.com/feixh/GeoSup
FastDepth：嵌入式系統的快速單目深度估計
關鍵詞：機器人和自動化深度學習，範圍感知，其他機器人應用的計算機視覺
源碼地址：https://github.com/dwofk/fast-depth
SuperDepth：自我監督，超分辨率單眼深度估計
關鍵詞：機器人與自動化深度學習，視覺學習，Mappin
深度幾何和上下文指導的深度完成
關鍵詞：RGB-D感知，其他機器人應用的計算機視覺
自監督稀疏 - 密集：LiDAR和單目相機的自監督深度完成
關鍵詞：視覺學習，RGB-D感知，傳感器融合
源碼地址：https://github.com/fangchangma/self-supervised-depth-completion
單視圖深度和表面法線估計的自監督學習
關鍵詞：機器人與自動化深度學習，視覺學習，製圖
即插即用：通過稀疏數據傳播改善深度預測
關鍵詞：機器人與自動化深度學習，RGB-D感知，自動化計算機視覺
深度生成網絡：從立體和深度圖像估計真實世界深度
關鍵詞：基於人工智能的方法，RGB-D感知，範圍感知
任何時候移動設備上的立體圖像深度估計
關鍵詞：機器人與自動化深度學習，自動化計算機視覺，其他機器人應用的計算機視覺
源碼地址:https://github.com/mileyan/AnyNet
UWStereoNet：用於水下立體圖像深度估計和顏色校正的無監督學習
關鍵詞：海洋機器人，機器人和自動化深度學習，其他機器人應用的計算機視覺
基於非對稱註釋的實時聯合語義分割和深度估計
關鍵詞：視覺學習，語義場景理解，SLAM
源碼地址：https://github.com/DrSleep/multi-task-refinenet
DSNet：用於場景分割和視差估計的聯合學習
關鍵詞：語義場景理解，機器人和自動化中的深度學習，對象檢測，分割和分類
SweepNet：寬基線全向深度估計
關鍵詞：全方位視覺，自動化計算機視覺，機器人深度學習和自動化
一種預測深度圖像噪聲的監督方法
關鍵詞：RGB-D感知，掌握和操縱感知，機器人深度學習和自動化
5. Point Cloud Segmentation
SqueezeSegV2：改進的模型結構和無監督的域適應，用於從LiDAR點雲進行道路 - 物體分割
關鍵詞：對象檢測，分割和分類，語義場景理解，基於AI的方法
源碼地址：
https://github.com/BichenWuUCB/SqueezeSeg
https://github.com/xuanyuzhou98/SqueezeSegV2
用於點雲三維語義分割的分層深度圖卷積神經網絡
關鍵詞：語義場景理解，基於AI的方法，RGB-D感知
6. Autonomous Vehicle
學習從沒有真實世界標籤的模擬開車
關鍵詞：機器人與自動化深度學習，視覺學習，示範學習
學會開車一天
關鍵詞：基於人工智能的方法，機器人和自動化中的深度學習，運輸的計算機視覺
在六個月內建立一輛獲勝的自動駕駛汽車
關鍵詞：自主車輛導航，智能交通系統，交通計算機視覺
用於汽車轉向預測的端到端網絡中的多模態時空信息
關鍵詞：自主車輛導航，機器人深度學習與自動化，視覺學習
基於卷積變分編碼器 - 解碼器網絡的單目語義佔用網格映射 - IRAL
關鍵詞：語義場景理解，目標檢測，分割和分類，運輸計算機視覺
關注微信公衆號：“圖像算法”或者微信搜索imalg_cn 可獲取更多有用資源