计算机软件新技术国家重点实验室 

摘 要：
近年来，随着自动驾驶、机器人导航与移动终端传感计算等应用的快速发展，SLAM（Simultaneous Localization and Mapping：即时定位与地图构建）技术再度成为计算机视觉与虚拟现实领域的研究热点。传统的SLAM技术充分利用多视点几何与SfM（Structure from Motion）等领域的高效算法，并通过与深度传感器、惯性传感器等下一代传感设备的数据融合，在传感器轨迹计算精度与三维场景重建质量方面取得了显著的进步。但在实际应用中，仍存在重建误差积累严重、计算成本高昂等问题，影响了机器系统的在线响应速度以及对复杂环境的自适应能力。针对这些问题，我们应最大限度地利用传感数据的时空一致性与三维地图的几何不变性，在现有多视点几何计算的基础上，强化SLAM算法的系统性与泛化能力，进一步改善其基本性能。该报告的主要内容包括：（1）引入数据流计算的基本概念，充分挖掘密集采样传感数据内在的时空连续性，以加强SLAM算法的预测能力；（2）构建基于时域变化的增量算法，并利用地图全局特征的约束以及传感数据的实时反馈作用，实现传感器轨迹的高效计算与三维地图的递进式构建；（3）尝试各类机器学习算法在SLAM问题中的应用，以探讨建立自监督SLAM在线学习技术的新途径。