Robotics Today: Andrew Davison on “From SLAM to Spatial AI”
这篇仅仅是talk的观看记录
Abstract: To enable the next generation of smart robots and devices which can truly interact with their environments, Simultaneous Localisation and Mapping (SLAM) will progressively develop into a general real-time geometric and semantic ‘Spatial AI’ perception capability. I will give many examples from our work on gradually increasing visual SLAM capability over the years. However, much research must still be done to achieve true Spatial AI performance. A key issue is how estimation and machine learning components can be used and trained together as we continue to search for the best long-term scene representations to enable intelligent interaction. Further, to enable the performance and efficiency required by real products, computer vision algorithms must be developed together with the sensors and processors which form full systems, and I will cover research on vision algorithms for non-standard visual sensors and graph-based computing architectures
上幅图是slamcore中的相关内容，slam系统的内容越来越庞大。空间AI未来的应用场景之一。
intelligence augmentation（IA）的应用场景之一这些产品还没有出现的原因是现在技术还达不到需求。
一个实时运行的3d定位系统。
这时，在空间定位一个camera已经有些进步，所以探索了更多的环境理解方面的内容。所以转向dense slam system。
这是5年前 ice robotics lab tom whelan的一个工作
有很多方法表示一个三维场景 这个工作使用一系列的disk 创建了三维场景。使用disk 比较高效 可以做到闭环检测 ，这在kinectFusion中是做不到的。下一个阶段的工作就是尝试在地图中添加语义层了。这时候有了深度学习这种工具
比较有吸引力的两种labelling角度：
一是view based labeling
另一个是对整个3dmap惊醒 labelling
系统越来越复杂 计算量越来越大
如何把这些计算量放到我们想要的设备上
或者如何把系统编程我们能够处理的计算量层面上。
有两个我们比较关注的地方
representation，地图表示方法，如何把地图表示的更简单
Hardware这是已经做过的一些工作。
2013的工作 slam中的object
使用深度学习预测object形状
未来可能会有可编程的camera 出现。极快的提高BA的速度，是普通CPU上速度的20倍
空间AI一直是很吸引我的方向，欢迎交流。
大佬讲的内容很丰富。
RL可能是我以前没有接触的方面。
最后赞叹一下，大佬厉害。
相关
https://engineering.stanford.edu/events/robotics-today-andrew-davison-slam-spatial-ai
https://www.bilibili.com/video/BV1Qk4y167xF?from=search&seid=12815820081790015855
https://www.edge-ai-vision.com/2020/05/slamcore-debuts-full-stack-spatial-ai-sdk-in-industry-competition/