我们总结了ICRA 2019 SLAM相关论文，分为四个部分：
- 深度学习+传统SLAM
- 传统的SLAM / 3D视觉
- 基于深度学习的SLAM
- SLAM评估和数据集
本文介绍：基于深度学习的SLAM
1.E2E-VO/ SLAM
GEN-SLAM：单目同时定位和映射的生成建模
关键词：SLAM，本地化，基于视觉的导航
超越自我监督自我运动估计的光度损失（深度学习，自我监督深度和里程表，参考GeoNet和SfmLearner）
关键词：SLAM，视觉学习，本地化
源码地址：https://github.com/hlzz/DeepMatchVO
通过几何意识课程学习学习单目视觉测距
关键词：本地化，视觉学习，机器人深度学习和自动化
GANVO：无监督深度单眼视觉测距和生成性对抗网络的深度估计
关键词：机器人深度学习与自动化，本地化，视觉跟踪
使用多个掩模进行单眼深度和自我运动的无监督学习
关键词：机器人深度学习与自动化，SLAM
2. E2E Navigation
（AWARD）变分端到端导航和本地化
关键词：机器人与自动化深度学习，交通计算机视觉，自主车辆导航
具有有限视野的复杂拥挤环境下的导航深度学习
关键词：机器人深度学习与自动化，避碰，服务机器人
通过仿真推广：将模拟和实际数据集成到基于视觉的自主飞行的深度强化学习中
关键词：机器人深度学习与自动化
源码地址：https://github.com/gkahn13/GtS
3.Feature & VPR
（AWARD）学习场景几何在挑战条件下进行视觉定位
关键词：本地化，RGB-D感知，其他机器人应用的计算机视觉
定位区域识别的判别性视觉标记
关键词：本地化，可视化导航，自动化计算机视觉
利用基于地标的图像表示改进关键点匹配
关键词：SLAM，本地化
基于CNN和手工制作的关键点描述符的比较
关键词：SLAM，基于视觉的导航，机器人深度学习和自动化
一种用于视觉位置识别的多域特征学习方法
关键词：本地化，SLAM，绩效评估和基准测试
基于检索的本地化的日常图像翻译
关键词：本地化，视觉学习，自主车辆导航
2D3D-MatchNet：学习匹配2D图像和3D点云的关键点
冯孟丹新加坡国立大学
关键词：机器人与自动化深度学习，视觉学习，本土化
看不深：使用单视图深度估计识别不同场景外观下相反视点的位置
关键词：本地化，机器人深度学习和自动化
多进程融合：使用多种图像处理方法的视觉位置识别 - IRAL
关键词：本地化，基于可视化的导航
4.Depth & Disparity
（AWARD）地理监督视觉深度预测
关键词：视觉学习，传感器融合
源码地址：https://github.com/feixh/GeoSup
FastDepth：嵌入式系统的快速单目深度估计
关键词：机器人和自动化深度学习，范围感知，其他机器人应用的计算机视觉
源码地址：https://github.com/dwofk/fast-depth
SuperDepth：自我监督，超分辨率单眼深度估计
关键词：机器人与自动化深度学习，视觉学习，Mappin
深度几何和上下文指导的深度完成
关键词：RGB-D感知，其他机器人应用的计算机视觉
自监督稀疏 - 密集：LiDAR和单目相机的自监督深度完成
关键词：视觉学习，RGB-D感知，传感器融合
源码地址：https://github.com/fangchangma/self-supervised-depth-completion
单视图深度和表面法线估计的自监督学习
关键词：机器人与自动化深度学习，视觉学习，制图
即插即用：通过稀疏数据传播改善深度预测
关键词：机器人与自动化深度学习，RGB-D感知，自动化计算机视觉
深度生成网络：从立体和深度图像估计真实世界深度
关键词：基于人工智能的方法，RGB-D感知，范围感知
任何时候移动设备上的立体图像深度估计
关键词：机器人与自动化深度学习，自动化计算机视觉，其他机器人应用的计算机视觉
源码地址:https://github.com/mileyan/AnyNet
UWStereoNet：用于水下立体图像深度估计和颜色校正的无监督学习
关键词：海洋机器人，机器人和自动化深度学习，其他机器人应用的计算机视觉
基于非对称注释的实时联合语义分割和深度估计
关键词：视觉学习，语义场景理解，SLAM
源码地址：https://github.com/DrSleep/multi-task-refinenet
DSNet：用于场景分割和视差估计的联合学习
关键词：语义场景理解，机器人和自动化中的深度学习，对象检测，分割和分类
SweepNet：宽基线全向深度估计
关键词：全方位视觉，自动化计算机视觉，机器人深度学习和自动化
一种预测深度图像噪声的监督方法
关键词：RGB-D感知，掌握和操纵感知，机器人深度学习和自动化
5. Point Cloud Segmentation
SqueezeSegV2：改进的模型结构和无监督的域适应，用于从LiDAR点云进行道路 - 物体分割
关键词：对象检测，分割和分类，语义场景理解，基于AI的方法
源码地址：
https://github.com/BichenWuUCB/SqueezeSeg
https://github.com/xuanyuzhou98/SqueezeSegV2
用于点云三维语义分割的分层深度图卷积神经网络
关键词：语义场景理解，基于AI的方法，RGB-D感知
6. Autonomous Vehicle
学习从没有真实世界标签的模拟开车
关键词：机器人与自动化深度学习，视觉学习，示范学习
学会开车一天
关键词：基于人工智能的方法，机器人和自动化中的深度学习，运输的计算机视觉
在六个月内建立一辆获胜的自动驾驶汽车
关键词：自主车辆导航，智能交通系统，交通计算机视觉
用于汽车转向预测的端到端网络中的多模态时空信息
关键词：自主车辆导航，机器人深度学习与自动化，视觉学习
基于卷积变分编码器 - 解码器网络的单目语义占用网格映射 - IRAL
关键词：语义场景理解，目标检测，分割和分类，运输计算机视觉