为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
意义：传统的视觉SLAM算法受光线影响严重，特别是特征点发存在着大量的误匹配，使机器人运动估计的精度降低。如何能够提高基于特征点法的机器人定位精度，解决光线变化以及旋转带来的计算误差，也成为了提高视觉SLAM精度的关键。
报告内容：
提出了一种新的方法，利用卷积神经网络(CNN)进行特征点提取和描述符的计算，并取代传统SLAM的前端算法，为了降低光线变化和机器人视角变化对特征匹配的影响，在训练过程中使用了大量相同场景下光线不同的图像，以及对同一场景从不同角度进行拍摄的图像。环境特征的提取只是SLAM中的一部分，为了获得更好的机器人运动位姿估计的结果，还需要对前端的结果进行优化。对于视觉SLAM这种高维度的非线性优化问题，如要获得更好的优化效果，需要充分利用数据特征。
为了降低累积误差，本文引入了BA算法，并且在优化框架中去掉了不必要的计算，提出了一种通过对关键帧选取和优化的策略。更好的利用关键帧和空间中的路标点优化求解。