VSLAM 的发展感觉是中规中矩，各个环节在前人的基础上一点点优化，同时不断吸收其他方向的最新成果。短期内肯定会在现有框架下不停地改进。至于长远一些的趋势，IEEE TRO 2016 有一篇综述文章 Past, present, and future of SLAM: towards the robust-perception age。几位有声望的学者在文中对 SLAM 的趋势做了非常好的总结。这里仅就自己感兴趣的点提一些个人感想。

新型传感器的出现会不停地为 SLAM 注入活力。如果我们能够直接获取高质量的原始信息，SLAM 的运算压力就可以减轻很多。举例来说，近几年在 SLAM 中逐渐有使用低功耗、高帧率的 event camera（又称 dynamic vision system, DVS）。如果这类传感器的成本能降下来，会给 SLAM 的技术格局带来许多变化。

自从深度学习在诸多领域所向披靡，不少研究者试图用深度学习中 end-to-end 的思想重构 SLAM 的流程。目前有些工作试图把 SLAM 的某些环节用深度学习代替。不过这些方法没有体现出压倒性优势，传统的几何方法依然是主流。在深度学习的热潮之下，SLAM 涉及的各个环节应该会逐渐吸收深度学习的成果，精度和鲁棒性也会因此提升。也许将来 SLAM 的某些环节会整体被深度学习取代，形成一个新的框架。

SLAM 原本只关注环境的几何信息，未来跟语义信息应该有更多的结合。借助于深度学习技术，当前的物体检测、语义分割的技术发展很快，可以从图像中可以获得丰富的语义信息。这些语义信息是可以辅助推断几何信息的，例如已知物体的尺寸就是一个重要的几何线索。

　　本文为机器之心投稿，转载请联系原作者获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]