以下内容來自小六的機器人SLAM學習圈知識星球每日更新内容如何高效學習機器人SLAM？
點選領取學習資料 → 機器人SLAM學習資料大禮包
#論文##開源代碼# Keeping Less is More: Point Sparsification for Visual SLAM
論文位址：https://arxiv.org/abs/2207.00225
當将SLAM用于真實世界中實際的問題（例如自動駕駛、無人機和AR裝置）上時，其記憶體占用和計算成本是限制性能和應用範圍的兩個主要的因素；在離散的特征點SLAM算法中，解決這個問題的一個有效的方式是通過loca BA 和global BA删除點進而限制地圖點的規模；本項研究中提出了一種在SLAM系統中實作地圖點稀疏化的有效的圖優化方法，具體上作者将最大位姿可見性和最大空間多樣性問題表示成一個最小成本最大流量圖優化問題。
作者所提出的方法可以在現存的SLAM系統中作為額外的一個步驟，是以它可以用于傳統和學習的SLAM系統；通過大量的實驗評估證明所提出的方法用大約1/3的地圖點和1/2的計算實作了更精确的相機位姿。
本文貢獻如下：
1、提出了一個 相機位姿對和3D點最大的點可見性的圖表示方法；
2、提出了一種新的cost用于最大化圖像空間上二維特征的空間多樣性；
3、提出了一種 基于最小代價最大流量的點稀疏化算法來控制剩餘點的數量；
4、提供了詳細的位姿準确性、點減少和各種室内/室外公共資料集的改進速度比較；
以上内容來自小六的機器人SLAM學習圈 每日更新内容
如何高效學習機器人SLAM？