三维视觉、SLAM方向全球顶尖实验室汇总

欧洲

英国伦敦大学帝国理工学院 Dyson 机器人实验室

http://www.imperial.ac.uk/dyson-robotics-lab

简介：

伦敦帝国理工学院戴森机器人实验室成立于2014年，由Andrew Davison.教授领导。是戴森公司和帝国理工学院领导机器人视觉小组Andrew Davison教授的合作实验室，Andrew Davison是视觉SLAM领域的先驱，戴森提供大量的资金和支持，以建立一个机器人专家团队，他们合作产品包括Dyson 360 eye?vaccum清洁机器人。该实验室的重点是开发计算机视觉程序，使机器人能够超越受控环境，成功地导航并与现实世界互动。

实验室主要成就（http://www.imperial.ac.uk/dyson-robotics-lab/projects/）：

ElasticFusion：

一个实时的稠密的视觉SLAM系统，可以利用RGB-D相机来对房间进行全局一致的三维稠密重建。

代码地址：https://bitbucket.org/dysonroboticslab/elasticfusionpublic/src/master/

SceneNet RGB-D：

一种生成室内场景轨迹的大规模照片级真实渲染的系统。

代码地址：https://bitbucket.org/dysonroboticslab/scenenetrgb-d/src/master/

数据集地址：https://robotvault.bitbucket.io/scenenet-rgbd.html

英国牛津大学Active Vision Laboratory

http://www.robots.ox.ac.uk/ActiveVision/index.html

简介：Active Vision实验室主攻计算视觉，特别是传统和深度图像的3D场景重建。实验室致力于定位和建图，可穿戴和辅助计算，语义视觉，增强现实，人体运动分析和导航的应用程序。

实验室主要成果（http://www.robots.ox.ac.uk/ActiveVision/Research/index.html）

使用3D物体形状Priors进行密集重建

PTAM：

（并行跟踪和建图）用于增强现实的相机跟踪系统

源码地址：https://github.com/Oxford-PTAM/PTAM-GPL

基于立体视觉的城市三维语义建模：

可以生成具有相关语义标记的高效且准确的密集三维重建地图。

libnabo：

用于低维空间的快速K最近邻库

代码地址：https://github.com/ethz-asl/libnabo

ethzasl_sensor_fusion：

基于EKF的时延补偿单传感器和多传感器融合框架

代码地址：https://github.com/ethz-asl/ethzasl_sensor_fusion

苏黎世Robotics and Perception Group

http://rpg.ifi.uzh.ch/

简介：该实验室由Davide Scaramuzza教授领导，成立于2012年2月，是苏黎世大学信息学系和神经信息学研究所的一部分，该研究所是苏黎世大学和苏黎世联邦理工学院的联合研究所。实验室开发智能机器人，只使用车载摄像头即可自行导航，而无需依赖外部基础设施，如GPS或动作捕捉系统。研究包括地面和微型飞行机器人，以及由这两者组合而成的多机器人异构系统。

实验室主要成果（http://rpg.ifi.uzh.ch/software_datasets.html）

视觉（惯性）里程计轨迹定量评估方法：

通过视觉（惯性）里程计（VO / VIO）定量评估估计轨迹的质量

源码地址：https://github.com/uzh-rpg/rpg_trajectory_evaluation

慕尼黑工业大学的The Computer Vision Group

https://vision.in.tum.de/research

简介：主要研究算机视觉，图像处理和模式识别等一系列方向，即基于图像的3D重建，光流估计，机器人视觉，视觉SLAM等。

实验室主要成果（https://vision.in.tum.de/research）

dvo_slam：

提供了来自连续图像的RGB-D相机的刚体运动估计的实现方案。

代码地址：https://github.com/tum-vision/dvo_slam

DSO: Direct Sparse Odometry：

DSO是一种用于视觉里程计的新的直接稀疏建图方法。

代码地址：https://github.com/JakobEngel/dso

德国弗莱堡大学Autonomous Intelligent Systems

http://ais.informatik.uni-freiburg.de/index_en.php

简介：研究主要集中在自主移动机器人，即能够在其环境中自主移动并完成不同任务,如多机器人导航和协作,环境建模和状态估计。

实验室主要成果（http://ais.informatik.uni-freiburg.de/projects/index_en.php）

GMapping:

Gmapping是基于Bpf粒子滤波算法的滤波SLAM框架。

源码地址：https://github.com/OpenSLAM-org/openslam_gmapping

西班牙萨拉戈萨大学RoPeRT机器人，感知和实时组SLAM实验室

http://robots.unizar.es/slamlab/

简介：由JuanD.Tardós教授带领，研究同时定位和建图（SLAM）、Visual SLAM：单目，双目，RGB-D
语义SLAM，SLAM与对象、非刚性SLAM等方向，主要应用在机器人，增强现实，医学等。

实验室主要成果（http://robots.unizar.es/slamlab/xtra=1）

大规模环境中协同传感器的主动SLAM（nSPLAM）：

该项目的目标是扩展SLAM算法在关键开放问题中的数学理解，增强实用性和适用性，包括大规模（高达数千米）/长期（数天，数周的操作）建图，主动SLAM（不确定性下的规划和探索），全局一致的传感器协作/多车辆SLAM和高级地图表示。

[外链图片转存失败(img-tNzL7Ta0-1562161442212)(http://robots.unizar.es/wp/wp-content/uploads/projects/nsplam_project.jpg)]

刚性和非刚性场景的语义可视化建图（SVMap）：

提出了一个基于对象的实时SLAM系统，设计单目SLAM算法利用对象刚度约束来改进地图并找到其真实尺度。

协作建图：

当用户的起始姿势之间的转换未知时，使用多个用户在不同时间收集的数据集来解决协作建图（CM）的问题

半稠密地图：

该项目的目标是生成区域的半稠密3D地图，正如先前的稀疏视觉 – 惯性批量最小二乘（BLS）协同建图（CM）算法的相机姿态估计所给出的效果。

Articulated Robot Motion for Simultaneous Localization and Mapping (ARM-SLAM)

当机器人的关节角度不确定时，可以同时估计机器人的关节角度，并重建场景的稠密地图。

麻省理工大学计算机科学与人工智能实验室（CSAIL）海洋机器人组

https://marinerobotics.mit.edu/

简介：团队由John Leonard教授带领，研究海洋机器人解决水下环境中定位和建图问题，还在基于仅使用摄像头（有时是IMU）在室内环境中以及户外无人驾驶汽车等应用中执行Visual SLAM的工作。

实验室主要成果（https://marinerobotics.mit.edu/research）

Kintinuous：

Kintinuous解决了KinectFusion仅能对有限尺度的区域进行稠密建图的限制，允许在数百米的范围内绘制地图。

源码地址：https://github.com/mp3guy/Kintinuous

华盛顿大学UW Robotics and State Estimation Lab

Home

简介：RSE-Lab成立于2001年，关注机器人和识别中的问题，开发了丰富而高效的移动机器人导航，地图构建，协作和操作中的感知和控制技术，还研究状态估计和机器学习方法，用于对象识别和跟踪，人体机器人交互和人类活动识别等领域。

实验室主要成果（http://rse-lab.cs.washington.edu/projects/）

Semantic Mapping：

该项目的目标是生成根据对象和位置描述环境的模型。这些表示包含比传统地图更有用的信息，并使机器人能够以更自然的方式与人类进行交互。

哥伦比亚大学计算机视觉与机器人组

https://vision.cs.ubc.ca/

简介：这是世界上最具影响力的视觉和机器人团体之一。这个小组创造了RoboCup和著名的的SIFT。这一组的学生赢得了大部分AAAI语义机器人挑战赛。该小组有四名在职教师：Jim Little，Alan Mackworth，Ian Mitchell和Leonid Sigal。

实验室主要成果(https://vision.cs.ubc.ca/publications/)

FLANN：

FLANN是用于在高维空间中执行快速近似最近邻搜索的库。它包含一系列我们发现最适合最近邻搜索的算法，以及一个根据数据集自动选择最佳算法和最佳参数的系统。

源码地址：https://www.cs.ubc.ca/research/flann/uploads/FLANN/flann-1.8.4-src.zip

加拿大谢布鲁克大学IntRoLab（智能/互动/综合/跨学科机器人实验室）

https://introlab.3it.usherbrooke.ca/mediawiki-introlab/index.php/Main_Page

简介：IntRoLab是一个研究实验室，致力于研究，开发，集成和使用机电一体化和人工智能方法，设计自动和智能系统。研究活动涉及移动机器人，嵌入式系统和自主代理的软件和硬件设计以及现场评估，旨在克服与在现实生活中使用机器人和智能系统以改善生活质量相关的挑战，并且还研究如何使机器变得智能。应用领域包括服务机器人，全地形机器人，交互式机器人，辅助机器人，远程医疗机器人，汽车和手术机器人。

实验室主要成果（https://introlab.3it.usherbrooke.ca/mediawiki-introlab/index.php/Projects）

RTAB-Map：

RTAB Map是RGBD SLAM的改进，减少了图优化和闭环检测中需要用到的结点数，保证实时性以及闭环检测的准确性，能够在超大场景中运行。

源码地址：https://github.com/introlab/rtabmap

VINS-Fusion：

VINS-Fusion是一种基于优化的多传感器状态框架，可实现自主应用（无人机，汽车和AR / VR）的精确自定位。VINS-Fusion是VINS-Mono的扩展，支持多种视觉惯性传感器类型（单声道摄像机+ IMU，立体摄像机+ IMU，甚至仅限立体声摄像机）。

代码地址：https://github.com/HKUST-Aerial-Robotics/VINS-Fusion

LS-ACTS：

大型自动相机跟踪系统，可以处理大型视频/序列数据集

源码地址：https://github.com/zju3dv/ENFT https://github.com/zju3dv/SegmentBA https://github.com/zju3dv/ENFT-SfM

RDSLAM：

是一个实时同步定位和建图系统，它允许场景的一部分是动态的或整个场景逐渐变化。与PTAM相比，RDSLAM不仅可以在动态环境中稳健地工作，而且还可以处理更大规模的场景（重建的3D点的数量可以是数万个）。

人体动作捕捉：

数十年来，人体运动捕捉一直是计算机视觉和计算机图形学中具有挑战性的研究课题。系统长期追求快速，低成本，易于设置和有前途的推广系统。该项目支持手持设备的动态捕捉，无标记动态捕捉，通过双重融合实时捕捉等。

基于航拍图像的三维地形生成：

通过航拍图像自动获取地形三维结构是计算机视觉在对地观测领域的重要应用，其成果对于抗震救灾、城市规划、3D地图导航等领域有着重要意义。在地形生成过程中，该系统自动计算稠密的高精度三维空间点云，可以替代传统的数字高程模型（DEM）。与传统方法相比，本系统不需要地面控制点，也不需要飞行姿态信息。

澳洲

澳大利亚悉尼科技大学CAS实验室

https://www.uts.edu.au/research-and-teaching/our-research/centre-autonomous-systems

简介：悉尼科技大学自动系统中心（CAS）是一个享誉国际的机器人研究小组。专注于机器人研究，为政府，行业和更广泛的区创造积极的变化。从2003年到2010年，CAS成为ARC自主系统卓越中心的一部分，该中心是世界上最大的机器人研究小组之一。自2010年以来，CAS一直在悉尼科技大学作为独立研究中心。研究方向主要在现场机器人技术，研究非结构化环境中智能机器的传感，感知和控制，以人为中心的机器人技术，或能够支持人类承担各种任务的机器人。

实验室主要成果（https://web-tools.uts.edu.au/projects/search.cfmnitId=672）

一种生物启发的攀爬机器人，用于清洁和绘制悉尼海港大桥拱门内表面：

自2010年以来，悉尼科技大学和新南威尔士州的道路与海事服务（RMS）一直致力于研究和开发用于钢桥检测和状态评估的生物学攀登机器人。该项目目的是开发一种可实际部署的自主攀爬机器人，用于悉尼海港大桥拱形结构内的清洁和喷漆。

一种智能水下结构维修机器人系统：

由ARC Linkage项目资助，悉尼科技大学和新南威尔士州的道路和海事服务（RMS）正在开发一种用于水下桥桩检查和维护的机器人解决方案。该项目旨在促进我们对自主机器人如何清洁和检查水下结构构件的理解，并开发能够开发此类机器人系统的突破性方法。在近地表和潮汐环境中使用机器人系统进行检查和维护具有挑战性。桥桩等结构的形状和大小各不相同，通常包含在海洋生长中，这会使桩的几何形状变得模糊，并干扰条件评估。因此，机器人在低能见度和复杂水流条件下运行的能力至关重要。

澳大利亚机器学习研究所机器人视觉中心

https://ecms.adelaide.edu.au/research-impact/computer-vision-and-robotics

计算机视觉和机器人小组由Peter Corke教授（QUT），副主任Ian Reid教授（阿德莱德）和首席调查员Tom Drummond教授（蒙纳士）和Robert Mahony教授（ANU）领导，致力于开发和应用基本的计算机视觉和机器人算法。这包括深度学习，生成模型，对抗性学习，记忆络和元学习。主要研究深度学习在语义图像理解同步定位和建图（SLAM）和3D场景重建、视频理解问答、医学影像等领域的应用。

实验室主要成果（https://resources.rvhub.org/）

适用于微创整形外科手术的基于视觉SLAM的机器人数据集：

该项目旨在开发一种基于视觉的机器人手术助手，用于微创整形外科手术。该系统将由机器人手臂组成，其中附有用于关节内导航的相机 – 关节镜束。该系统将能够a）在人体关节内稳健可靠地定位器械; b）从关节内图像生成密集且准确的膝关节三维重建模型; c）半自动导航相机（通过视觉伺服）跟随外科医生的工具。

数据集地址：https://data.researchdatafinder.qut.edu.au/dataset/robotic-arthroscopy