开通VIP，畅享免费电子书等14项超值服
首页
好书
留言交流
下载APP
联系客服
2021.10.07
快速获得最新干货
计算机视觉life的读者群和后台经常收到大家的提问，关于读硕博选择、研究方向选择、出国留学等各种问题。在此，我们为大家汇总了全球顶级的三维视觉、SLAM方向的研究机构，并对他们主要的研究成果做了简单汇总，从这些汇总中你可以：
欢迎转发给更多的朋友~
简介：
伦敦帝国理工学院戴森机器人实验室成立于2014年，由AndrewDavison.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AndrewDavison教授的合作实验室，AndrewDavison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Dyson360eyevaccum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。
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。
CodeSLAM：
一种生成室内场景轨迹的大规模照片级真实渲染的系统。
SceneNetRGB-D：
SemanticFusion：
一种实时可视SLAM系统，能够使用卷积神经网络在语义上注释密集的3D场景。
简介：ActiveVision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。
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
交互式实时3D场景分割的框架：
创建了一个只需使用廉价的硬件，就可以在半小时内捕获并重建整个房屋或实验室的建图系统。
基于立体视觉的城市三维语义建模：
由RolandSiegwart教授领导，AutonomousSystemLab于1996年在洛桑联邦理工学院成立，它是机器人和智能系统研究所（IRIS）的一部分。
实验室旨在创造能够在复杂多样的环境中自主运行的机器人和智能系统。设计机电和控制系统，使机器人可以自主适应不同的情况，并应对不确定和动态的日常环境。机器人可以在地面，空中和水中运动，同时具备在复杂环境下自主导航的功能，研究出了包括用于感知，抽象，建图和路径规划的方法和工具。他们还在tango项目上与谷歌合作，负责视觉惯导的里程计，基于视觉的定位和深度重建算法。
libpointmatcher：
libpointmatcher是一个模块化库，它实现了迭代最近点（ICP）算法，用于配准点云。
libnabo：
用于低维空间的快速K最近邻库
ethzaslsensorfusion：
基于EKF的时延补偿单传感器和多传感器融合框架
ethzasl_ptam：
用于单目SLAM的框架PTAM
简介：该实验室由DavideScaramuzza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。
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
基于高效数据的分布式视觉SLAM：
该算法可实现使用便宜，轻便和多功能的相机进行分布式通信多机器人建图
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。
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。
LSD-SLAM:Large-ScaleDirectMonocularSLAM：
一种直接单目SLAM建图技术
DSO:DirectSparseOdometry：
DSO是一种用于视觉里程计的新的直接稀疏建图方法。
Basalt:Visual-InertialMappingwithNon-LinearFactorRecovery：
使用非线性因子恢复法从视觉-惯性里程计提取信息来进行视觉-惯性建图。
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。
GMapping:
Gmapping是基于Bpf粒子滤波算法的滤波SLAM框架。
RGBDSLAM2：
是一个非常全面优秀的系统，将SLAM领域的图像特征、优化、闭环检测、点云、octomap等技术融为一体，非常适合RGBDSLAM初学者，也可以在其基础上继续开发
简介：由JuanD.Tardós教授带领，研究同时定位和建图（SLAM）、VisualSLAM：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。
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。
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。
简介：多自主机器人系统（MARS）实验室的目标是促进机器人和计算机视觉的基础研究和教育，特别强调自主地面，航空和太空探索车辆的估算和控制。研究内容是资源意识估计和控制，包括：
使用滚动快门相机的视觉惯性导航系统（VINS）:
协作建图：
使用移动设备进行高精度，增量3D室内定位和建图：
使用来自商业级低成本传感器的视觉和惯性数据，为资源受限的移动设备（例如手机和平板电脑）提供增量批量最小二乘（IBLS）定位和建图算法
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。
isam：
增量平滑和建图（iSAM），这是一种基于快速增量矩阵分解的同时定位和建图问题方法，通过更新自然稀疏平滑信息矩阵的QR分解来实现。
ArticulatedRobotMotionforSimultaneousLocalizationandMapping(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。
简介：实验室致力于开发在不可预测的城市环境中自动驾驶的新算法和技术。在DARPA大挑战和DARPA城市挑战中取得成功以来，实验室一直在为自动驾驶中的重要问题创建和测试各种AI解决方案。利用机器学习，计算机视觉，概率传感器融合和优化等技术，研究人员正在积极寻求语义场景理解，对象分割和跟踪，传感器校准，定位，车辆控制和路径规划方面的改进。
使用概率图的城市环境中的鲁棒车辆定位：
简介：团队由JohnLeonard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VisualSLAM的工作。
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。
Kumar组致力于创建自动地面和空中机器人，为集体行为和机器人群体设计生物启发算法等。
用于远程自主探测和测绘的空中机器人：
通过现场实验探索在地震破坏的环境中利用自主四旋翼飞行器进行地面和空中机器人的协同建图。
SemanticMapping：
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。
ActiveMapping：
通过添加机器人来改进任何几何和语义场景重建技术：机器人可以选择如何使用其传感器来获取新信息。在主动视觉的情况下，机器人可以移动相机以观察物体的所有侧面。使用主动视觉来完成地图创建和对象分割问题。
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：JimLittle，AlanMackworth，IanMitchell和LeonidSigal。
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。
SIFT：
SIFT（尺度不变特征变换）将图像的每个局部片段转换为独立于图像比例和方向的坐标。局部不变特征允许我们在任意旋转，缩放，亮度和对比度的变化以及其他变换下有效地匹配杂乱图像的小部分。将图像分成许多不同大小的小重叠片段，然后单独匹配每个部分，并检查匹配的一致性。
RTAB-Map：
RTABMap是RGBDSLAM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。
VINS-Mono：
一种鲁棒且通用的实时单目视觉惯性状态估计框架。
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）。
简介：CVG的主要研究兴趣集中在运动结构，SLAM，3D重建，增强现实，视频分割和编辑。
RKSLAM：
用于AR的基于关键帧的鲁棒单目SLAM系统
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
ACTS：自动相机跟踪系统
可以从视频和电影序列中恢复摄像机运动和3D场景结构，提供自动跟踪的便利性。它可以高效稳定地跟踪各种摄像机运动，可以旋转或自由移动。它是许多其他计算机视觉任务的基础。
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）。
人脸三维动态重建：
当今大规模的面部动作仍远未生动地表达人类的面部表情，为了克服这些缺点，该项目专注于重建面部细节运动，实现了采用RGBD相机的实时3D眼神图表现重建等功能。
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。
简介：RobotVisionGroup是中国科学院自动化研究所（CASIA）国家模式识别实验室（NLPR）的一部分。该小组拥有8名教职员工和20多名博士生。学生们。该小组的主要研究活动集中在3D计算机视觉，包括摄像机校准和3D重建，姿势估计，基于视觉的机器人导航和视觉服务等。该小组主要由国家自然科学基金，国家863计划，国家973计划和中国科学院资助。除基础研究外，该小组还与国家文物局，国家远程遥感中心，国家天文台，诺基亚研究中心等合作开展视觉应用。
中国古代建筑三维重建：
选取中国古代建筑为载体，对海量无序图像数据的大场景三维重建进行系统研究，通过基于图像的高精度三维重建技术获取古建筑物数字化三维模型，达到对这些珍贵的自然文化遗产进行数字化保护的目的。
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。
手机上的增强现实：
增强现实（AugmentedReality）技术通过电脑技术，将虚拟的信息应用到真实世界，真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。增强现实借助计算机图形技术和可视化技术产生现实环境中不存在的虚拟对象，并通过传感技术将虚拟对象准确“放置”在真实环境中，借助显示设备将虚拟对象与真实环境融为一体，并呈现给使用者一个感官效果真实的新环境。
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，行业和更广泛的社区创造积极的变化。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。
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ARCLinkage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。
计算机视觉和机器人小组由PeterCorke教授（QUT），副主任IanReid教授（阿德莱德）和首席调查员TomDrummond教授（蒙纳士）和RobertMahony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，记忆网络和元学习。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。
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。