在《零基礎小白，如何入門計算機視覺？》中我提到過，計算機視覺的研究目前主要分為兩大方向：基於學習的方法和基於幾何的方法。其中基於學習的方法最火的就是深度學習，而基於幾何方法最火的就是視覺SLAM。

SLAM將成為計算機視覺的下一個風口

在前幾年計算機視覺的三大頂級會議（CVPR,ICCV,ECCV）上，幾乎全是深度學習的研究，而這樣的情況在這兩年出現了新的變化：在2018年計算機視覺國際頂級會議 CVPR論文錄用名單中，其中涉及SLAM/三維視覺 的工作超過 90 篇，佔據了全體收錄論文的近 1/10。

而今年參加校招和社招的小夥伴也向我透露，今年深度學習方向的競爭非常激烈，想要拿到較好的offer，要麼有牛叉閃閃的論文，要麼是大牛實驗室有過硬的專案經驗，難度比前幾年大大提升。而今年SLAM方向的需求量上升而相關從業者相對較少，相對還比較容易，類似幾年前深度學習剛剛火起來之前的樣子。可以預見，SLAM將成為繼深度學習之後計算機視覺領域的下一個風口。主要有以下幾個依據：

1、深度學習在檢測、識別領域具有無比強大的能力，但是在涉及多視角幾何相關的SLAM領域，深度學習的作用非常有限。究其原因是因為在多視角幾何為基礎的SLAM領域，需要明確清晰的理論基礎保證，而深度學習的「黑盒子」模型目前還不太奏效。

2、SLAM技術門檻較高。深度學習爆發後，很多非計算機視覺領域的從業者紛紛轉而學習深度學習，由於深度學習本身黑盒子的特點，很多從業者不需要了解影象處理、計算機視覺的基礎知識便可以得到一個相對較好的結果，因此入門門檻並不是很高。

而學習SLAM則需要具備三維空間剛體變換、相機成像模型、特徵點提取與匹配、多視角幾何、捆集調整等內容。這對於非該領域的從業者來說還是具有較高的門檻。

3、消費級RGB-D相機快速發展催生了以三維視覺為基礎的商業化應用。以微軟Kinect系列、Intel realsense系列、蘋果、英飛凌、TI等為代表的消費級RGB-D相機逐漸形成成熟的產業鏈，國內也湧現出大量的優秀企業並量產，如orbbec、pico、human+、愛觀、圖漾、艾芯智慧、知微感測等。此外，2017年iPhone X前置結構光深度相機面世後，更是激發了手機產業鏈RGB-D相機的熱潮，目前華為、小米、OPPO、VIVO等手機大廠都在積極推動RGB-D相機在手機上的應用。

4、目前計算機視覺領域主要還是通過二維的圖片來感知世界，而三維視覺才是人類感知理解世界的正確方式，因此以三維視覺為基礎的SLAM技術是智慧移動機器人、無人駕駛、AR等人工智慧細分領域的核心技術。

總之，SLAM前景光明但學習道路曲折，這也是筆者打算和讀者一起從零開始學習SLAM的初衷。

從零開始一起學習SLAM系列規劃

目前關於SLAM學習的資料不多，而且參差不齊，初學者推薦高翔博士的《視覺SLAM十四講》，雖然本書寫的已經比較基礎，但很多小夥伴在學習期間仍然會遇到很多問題，因此，筆者《從零開始一起學習SLAM》系列文章規劃如下：

1、技術介紹全面，不枯燥。該系列從最基礎的知識開始介紹，分為多篇文章，每篇文章只介紹一個具體的知識點，儘量以形象生動的圖文輔以適當的推導，一點點深挖SLAM的各個重要技術點。

2、每篇文章都有習題，重視實踐。筆者會根據每篇文章內容設計一些實用性的練習題（推導、程式設計等），俗話說，光看不做假把式，適當的練習能夠加深讀者的理解，把知識消化吸收為自己所用。

3、高質量的交流學習社群。每篇文章練習題參考答案筆者會放到知識星球「從零開始一起學習SLAM」裡。星球內所有成員都可以進行釋出問題、分享知識、上傳資源、點贊、留言、讚賞、收藏等操作。而所有的交流討論、資源分享等都可以沉澱下來並方便日後查詢。星主還會額外佈置作業，和大家一起學習討論。

知識星球需付費加入，越早加入價格越優惠。筆者還會不定期邀請SLAM領域的大牛加入星球坐鎮。此外，星球還會紅包獎勵積極分享、解答問題的成員，只要花費一頓聚餐的錢，就能夠和一群優秀的SLAM從業者一起交流進步，甚至解決就業問題。點選原文連結就能找到SLAM學習圈入圈方式。

作業

如果我們想要了解一個領域，最好的方法就是先看該領域比較著名的綜述論文，先從巨集觀上把握該領域的整體面貌。
1、請列舉幾篇最近幾年SLAM領域經典的綜述論文。
2、閱讀綜述，並列舉至少三個SLAM的具體應用場景。

歡迎留言討論，或者進入知識星球「從零開始學習SLAM」一起學習交流（提供參考答案）~

本文首發於公眾號：計算機視覺life。原文連結：

從零開始一起學習SLAM | 為什麼要學SLAM？