原文链接：观点 | SLAM会被深度学习取代吗？
首先祝大家国庆节快乐！
今天和大家聊一个有趣的话题：SLAM是否会被深度学习取代。据说卡内基梅隆大学机器人研究所的计算机视觉课程，分成了两部分，一个是基于学习的方法，一个是基于几何的方法。作为一个SLAMer，深深的感受到最近几年SLAM的快速发展，以前很多人说起计算机视觉，基本就和深度学习视觉算法划上了等号，如今SLAM也有自己的一席之地了。几何方法和学习方法，已经成为现代计算机视觉的两根支柱。
不过在学术界，最近几年，顶会上SLAM和深度学习结合的论文越来越多，还出现了一些端到端的SLAM。而传统纯几何的SLAM论文貌似在萎缩，不知道是不是纯几何的SLAM太难发论文了，还是深度学习要在计算机视觉领域一统江山？
我个人有点粗浅观点，分享给大家。
1、SLAM最近是不是很热？
确实很热。今年自动驾驶领域融资非常活跃，大疆、华为、小米等公司都在自动驾驶领域有大动作，造车新势力也风生水起。Facebook 元宇宙、字节跳动收购AR/VR硬件公司Pico等也带动了增强现实产业的火山爆发。而自动驾驶汽车、AR可穿戴设备要想实现准确定位，核心还是SLAM技术。
SLAM算法工程师，尤其是优秀的、有经验的工程师非常抢手。校招薪资有些公司已经开到了50万（可能有些大佬比这个还个高，麻烦留言区说下）。
2、SLAM和深度学习是什么关系？
SLAM主要是帮助机器用几何的方式理解三维世界，比如在空间中的坐标、朝向、运动路径等；而深度学习更擅长帮助机器进行识别、分类和推理。举一个形象的例子：如果你想要一个能自己通过观察周围环境走到冰箱面前而不撞到障碍物的机器人，那就是在使用SLAM。如果你想要一个能识别冰箱中的物品的机器人，那就使用深度学习。
3、SLAM和深度学习如何结合？
目前两者结合主要有以下几个方向：
- 用深度学习来提取特征点。典型的例子就是superpoint、superglue。
- 深度学习获得语义特征。比如我们用SLAM来建立室内稠密地图，然后用深度学习来识别桌椅等。
- 端到端估计深度（严格来说不算SLAM）。相比于用几何方法来获取深度值，深度学习可以得到更平滑深度图，但结构和时序连续性无法保障。
- 端到端位姿估计。感觉不太靠谱。
- 用SLAM来生成大规模数据集，用于深度学习训练。感觉是个好方向。
以上是一些个人的理解。欢迎留言讨论。
最后祝大家国庆节愉快！
