将门创投分享《三维视觉与机器人》

1月16日我在将门创投在线直播分享了《三维视觉与机器人》,现将完整录像与 PPT 同步分享到这里。由于能力有限,经验不足,还望大家批评指正。

分享目录

SLAM 研究内容与应用概要
专题1:VIO& 多传感器融合
专题2:Struct SLAM
专题3:Visual Localization
专题4:激光SLAM
专题5:三维重建
专题6:语义 SLAM & HDMap

相关下载

PPT 下载

三维视觉与机器人_刘骁-将门-PDF

PPT 下载

录像下载(by 将门创投)

https://pan.baidu.com/s/1Sl9dYQsOxq4WVlotp8TNTg

相关地址

将门创投公众号:https://mp.weixin.qq.com/s/j_ZkLG4TrOu9o4hI31gPGw
视频回顾(B站):https://www.bilibili.com/video/av83616108/

  • 该日志由 于2020年01月20日发表在 SLAM 分类下, 通告目前不可用,你可以至底部留下评论。
  • 本文链接: 将门创投分享《三维视觉与机器人》 | 技术刘
  • 版权所有: 技术刘-转载请标明出处
  • 2 thoughts on “将门创投分享《三维视觉与机器人》

    1. vincentqin说道:

      感谢您精彩的分享!由于本人前段时间也有调研过关于线段特征在slam中的应用,在此有几个问题:
      1. 点+structline结合与单一的点特征优势在哪里?
      2. 线段特征的数据关联算法除了LBD,线段特征的双目匹配耗时仍然是一大瓶颈,请问现阶段还有没有更加高效的算法?
      3. 报告中的算法与上交邹丹平老师的Struct SLAM有什么异同?
      感谢您的回复。

      1. skylook说道:

        你好,这些问题还挺不好讲的,可能需要专门搞 Struct SLAM 的大牛来解答下哈,我只能说下我的粗浅理解或者猜测:
        1、我觉得优势就是在很多场景(比如走廊之类)没有什么点的时候,线特征可能仍然比较丰富。另外线特征比较丰富的时候,加入线特征约束更强一些可能会提高一些精度。
        2、我是比较支持深度学习代替 SLAM 的视觉前端部分的,不论是点、线还是面的检测,前端方面有 GPU 加成的话是有可能做到又快又好的;
        3、我对邹老师的工作也只是很久以前听过一次报告,印象中好像有一些区别,后面有机会我们会适时整理下我们的工作 Paper,你可以到时再对比下:1)邹老师的工作应该基于滤波,我们都是基于优化;2)邹老师的工作基于曼哈顿假设,我们没有这种假设,所以线参数化之类的细节上有区别;3)我们后来在点线基础上加入了平面、曲线等等。

    发表评论

    电子邮件地址不会被公开。