EpsAvlc：

這個(gè)事情的回答需要基于你的動(dòng)機(jī)。

如果你想改進(jìn)已有的算法以獲得在數(shù)據(jù)集上的視覺里程計(jì)定位精度上的提升，那么我的判斷是比較難。

如果你是在實(shí)際場景中發(fā)現(xiàn)已有的框架（例如ORB-SLAM）的定位精度不能達(dá)到論文中，或者你預(yù)想的精度，那么這個(gè)事情是可以根據(jù)實(shí)際場景討論的。

排名6， 11， 12， 14， 15的方案是基于視覺的，或者至少融合了視覺。其漂移誤差大都低于1%。這是什么概念？我本科時(shí)參加的機(jī)器人競賽里，經(jīng)過仔細(xì)標(biāo)定的輪式里程計(jì)，精度也不過1%。當(dāng)然，視覺里程計(jì)的最終漂移誤差一般都是回環(huán)后再算的，直接使用的話根據(jù)前端的調(diào)教程度，大概可以看做1%左右。不過無論怎樣，對(duì)于增量式的定位方案，1%的誤差應(yīng)該都可以算是差強(qiáng)人意了。想要再有提升還是挺困難的，要么就加入許多Trick（過擬合數(shù)據(jù)集），但是感覺意義不大。

如果是在一些復(fù)雜場景下需要提升定位精度，那么還是有許多事情可以做的。像之前答主提到的，用語義分割，將動(dòng)態(tài)物體上的特征點(diǎn)濾去，以提升BA精度。我認(rèn)為有一些場景，是目前已有的框架力所不能逮的：

1.Long-term場景。如何保證夏天建的室外地圖，在冬天也能用？這涉及到季節(jié)不變的路標(biāo)的設(shè)計(jì)與提取。語義分割天然就有l(wèi)ong-term特性，將語義分割考慮進(jìn)去是一個(gè)較好的方法。

2.高度動(dòng)態(tài)的場景。比如走在去菜市場的路上，來往人群很多。人是可以精確定位的，但是SLAM可能就要抓瞎了。

3.紋理缺失的場景。這算是室內(nèi)SLAM時(shí)經(jīng)常需要面對(duì)的事情了。

這三個(gè)問題，其實(shí)都有許多工作已經(jīng)在做了。谷歌學(xué)術(shù)上搜索相關(guān)關(guān)鍵字就有。

就像綜述《Past， Present， and Future of SimultaneousLocalization And Mapping： Towards theRobust-Perception Age》標(biāo)題所述，目前魯棒才是SLAM的關(guān)鍵命題。發(fā)布于 06-27

鄭純?nèi)唬?/p>

可以做一些深度學(xué)習(xí)輔助提取路標(biāo)的工作，比如：如果已經(jīng)知道圖像中某個(gè)物體屬于一個(gè)既定的類別，然后再提角點(diǎn)，就會(huì)比針對(duì)全圖提角點(diǎn)魯棒性高很多。

劉宴誠：

具體細(xì)節(jié)太多了，ORBSLAM2這個(gè)框架基本上所有的代碼都在圍繞如何提高特征點(diǎn)的質(zhì)量。其實(shí)想想特征點(diǎn)法提高定位精度無非就是如何保證特征點(diǎn)匹配的準(zhǔn)確以及特征點(diǎn)選取的準(zhǔn)確，可問題就出在無法保證百分百絕對(duì)精確，所以通過很多騷操作把這個(gè)事情做到極致，就可以提高定位精度了。

編輯：jq