3D目标位姿估计在SLAM中的作用

传统的比较稳健的方法--多源融合SLAM，早已走到了瓶颈。因此将环境中语义信息结合到传统的多源融合SLAM中，是提高其性能最重要的方法。基于机器人的运行环境，分为室内、室外、动态等，各有不同的特点，本人研究主要倾向于室内动态或静态复杂的环境。传统的多源融合如VINS已无更好的提升空间，因此主要目标还是如何利用特定3D物体的语义信息来辅助SLAM进行定位。

利用深度学习等方法来对环境中3D物体姿态进行估计，再将其融合进传统的多源融合SLAM中，想必效果会更好。这篇博客是为了整理目前对3D物体姿态估计的进展。

1. CVPR2020 | 旷视研究院提出基于3D关键点投票网络的单目6DoF位姿估计算法(已开源)

2. Convolutional neural network based image segmentation: a review

   https://www.spiedigitallibrary.org/conference-proceedings-of-spie/10649/106490N/Convolutional-neural-network-based-image-segmentation-a-review/10.1117/12.2304711.short?SSO=1
   

   　　

3. A Review on Deep Learning Techniques Applied to Semantic Segmentation

   https://arxiv.org/abs/1704.06857
   

   　　

4. PolarMask: 一阶段实例分割新思路（开源）

   https://github.com/xieenze/PolarMask

5. Deep Snake for Real-Time Instance Segmentation：用于实时实例分割（开源）

   https://github.com/zju3dv/snake

6. CenterMask : Real-Time Anchor-Free Instance Segmentation（开源）

   https://github.com/youngwanLEE/CenterMask