ICRA2020中的SLAM论⽂汇总（⼆）VSLAM
紧接着上⼀次 ICRA 2020 中的SLAM论⽂汇总（⼀）VSLAM ，在征得英特尔史雪松博⼠同意的情况下，总结他关于ICRA会议论⽂汇总的第⼆部分，欢迎⼤家转发。具体地址链接：
白萝卜煲汤（⼀）视觉SLAM：特征点法，结构特征，特殊特征，直接法，稠密SLAM，理论分析
（⼆）各种SLAM：激光，多传感器融合，多机器⼈，全局概率定位，active SLAM
（三）深度学习：CNN提特征，语义SLAM，运动物体，位姿/深度回归，重定位
Active SLAM:
1. Broadcast your weakness: cooperative active po-graph SLAM for multiple robots
多机器⼈协作的主动SLAM，找po graph中的弱连接来规划最优路径。
2. Active SLAM using 3D Submap Saliency for Underwater Volumetric Exploration
提出⼀种探索策略，在决定机器⼈下⼀步去向时既考虑获得最多新信息的观测位置，⼜考虑获得最佳回环的观测位置。实验⽤于⽔下机器⼈声呐建图。
全局定位:
1. Reliable Data Association for Feature-Bad Vehicle Localization using Geometric Hashing Methods
针对landmark⽆区分度的情况（如雷达检测到的车辆），设计⼀种geometric hashing算法来编码附近landmark的⼏何分布，⽤于全局定位
2. Set-membership state estimation by solving data association
在landmark没有区分性的情况下，提出⼀种po和数据关联联合估计的⽅法，并且避免传统概率滤波的组合爆炸问题。⽤于⽔下声呐定位。
3. Map As the Hidden Sensor: Fast Odometry-Bad Global Localization
把已有地图提供的通⾏性约束当作额外传感器信息，做了⼀个仅⽤floorplan和轮速计进⾏全局概率定位的概念验证。
东北凉菜做法大全>吃健康的食物4. SPRINT: Subgraph Place Recognition for INtelligent Transportation
把视觉定位⽤HMM建模为持续观测的最⼤后验估计问题，状态是数据库中每张图像的匹配概率，观测是每次图像检索得到的top K结果。利⽤状态转移矩阵的稀疏性，即每张数据库图⽚只能跳转到其所在数据序列的后若⼲张图⽚，以及先前曾通过重定位关联过的其他序列图⽚，减少更新后验估计时的计算量。
5. Long-term Place Recognition through Worst-ca Graph Matching to Integrate Landmark Appearances and Spatial Relationships
针对长时定位中路标点可能发⽣变化的情况，提出⼀种同时考虑路标描述和路标之间⼏何关系的图匹配⽅法，避免两组不同路标在图像中组成相似⼏何形状导致的误匹配。
6. Visual Localization with Google Earth Images for Robust Global Po Estimation of UAVs
在没有GPS的情况下，⽤Google Earth图⽚对⽆⼈机航拍图像做注册，结合VIO和滤波实现地球坐标系下的6DOF定位。因为有季节、天⽓变化导致的图像差异，图像注册⽤了⼀种基于互信息的⽅法，⽐特征点法成功率⾼很多。最终定位误差⼀⽶左右。
位误差⼀⽶左右。
多传感器融合:
1. Vehicle Localization Bad on Visual Lane Marking and Topological Map Matching
依赖视觉提取车道线，融合IMU、ODOM的EKF进⾏定位
2. Obrvability Analysis of Flight State Estimation for UAVs and Experimental Validation
基于EKF的多状态能观性分析
3. LiDAR-enhanced Structure-from-Motion
LIDAR辅助的SFM，可以减少较多的错误匹配
4. A Lightweight and Accurate Localization Algorithm Using Multiple Inertial Measurement Units
同⼀板⼦上有9个IMU，当作⼀个虚拟IMU处理，在不怎么增加计算量的同时显著提⾼VIO精度
5. Intermittent GPS-aided VIO: Online Initialization and Calibration
VIO融合GPS，同时具备在线calibration的功能
6. Accurate position tracking with a single UWB anchor
使⽤单个IMU和UWB锚点做室内定位，借助EKF⽅法
7. A Mathematical Framework for IMU Error Propagation with Applications to Preintegration
⼀种IMU预积分误差模型
8. A Tightly Coupled VLC-Inertial Localization System by EKF
可见光通信和IMU通过EKF做紧耦合定位。
非主流伤感句子多机器⼈系统：
1. LAMP: Large-Scale Autonomous Mapping and Positioning for Exploration of Perceptually-Degraded Subterranean Environments
3D激光 + 视觉语义多机器⼈SLAM系统，激光前端⽤GICP，视觉前端YOLO检测物体，深度相机获取range；后端⽤GTSAM优化po graph。机器⼈本地有完整前后端，ba station接收各机器⼈回传的po graph，并做多机之间的回环检测，执⾏全局优化。针对spurious loop closure问题，⽤Incremental Consistent Measurement算法排除回环检测的outlier。系统⽤于地下坑道多机探索。
2. DOOR-SLAM: Distributed, Online, and Outlier Resilient SLAM for Robotic Teams
偷来的爱
多机器⼈分布式SLAM，重点解决机器⼈之间的回环检测问题。⽤NetVLAD全局描述⼦检测回环，⼏何信息验
证，Distributed Robust PGO做全局优化。
3. Vision-bad Multi-MAV Localization with Anonymous Relative Measurements Using Coupled Probabilistic Data Association Filter
在⽆⼈机能互相观测但精度不⾼、⽆法辨识的情况下做联合状态估计。
4. Measurement Scheduling for Cooperative Localization in Resource-Constrained Conditions
多机器⼈在每⼈总观测次数受限的约束下如何规划最优观测的理论分析。
多传感器数据集
5. UrbanLoco: A Full Sensor Suite Datat for Mapping and Localization in Urban Scenes
⼀种城市环境的数据集，包含了LIDAR，GPS，IMU，CAM传感器数据。
14. Are We Ready for Service Robots? The OpenLORIS-Scene Datats for Lifelong SLAM
OpenLORIS-Scene数据集包含来⾃5个真实场景的22条轨迹，以轮式机器⼈采集，包含RGBD/双⽬鱼眼/IMU/⾥程计/激光数据，同⼀场景的所有轨迹提供同⼀世界坐标系下的真值，⽤于评估SLAM算法在动态场景中长期⼯作的能⼒。
激光SLAM:
1. Loam livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV
专门针对Livox固态激光（FOV⼩，扫描不规则、不重复）雷达设计的SLAM算法
2. Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure
针对⾜式机器⼈，给出了SLAM框架兴组词多音字
激光定位：
1. Hybrid Localization using Model- and Learning-Bad Methods: Fusion of Monte Carlo and E2E Localizations via Importance Sampling
使⽤CNN做重要性重采样，融合到MCL中
2. LOL: Lidar-only Odometry and Localization in 3D point cloud maps
传感器只有lidar, 使⽤SegMap做点云分割做定位和place recognition，包含了重定位模块，效果⽐loam要好
3. ROI-cloud: A Key Region Extraction Method for LiDAR Odometry and Localization
楷书书法⼀种新的⽅法，提取ROI点云，使⽤这些点云做匹配，提⾼鲁棒性
4. LiDAR Inertial Odometry Aided Robust LiDAR Localization System in Changing City Scenes
借助submap的特性，构造po graph，优化后的结果⽤scan更新原始地图，维持long term的效果
激光建图：
1. Large-Scale Volumetric Scene Reconstruction using LiDAR
使⽤激光重建⼤规模的稠密地图
2. Real-Time Graph-Bad SLAM with Occupancy Normal Distributions Transforms
基于NDT地图的2D lar SLAM，⽐occupancy版本的baline（Cartographer）精度和速度都更好⼀些。
基于NDT地图的2D lar SLAM，⽐occupancy版本的baline（Cartographer）精度和速度都更好⼀些。
3. Voxgraph: Globally Consistent, Volumetric Mapping using Signed Distance Function Submaps
关注建图和全局位姿优化，不涉及前端。固定N帧建⼀个submap（每帧的odom都存着，因为LCD不⼀定给哪⼀帧的结果），重合度⾼的submap之间做registration，得到除了odom和loop closure之外的第三类po约束，共同做po graph优化。submap⽤TSDF，融合后输出ESDF全局地图。重点在于registration没有⽤ICP⽽是correspondence-free alignment，类似于直接优化。项目管理课程
