SL-SLAM：精度超越ORB-SLAM3，利用深度学习进行特征点检测的鲁棒系统

SL-SLAM是一种基于深度特征提取与匹配的鲁棒视觉惯性SLAM系统，通过集成Superpoint特征点和LightGlue匹配器，显著提升了在弱光、动态光照、弱纹理及相机抖动等挑战性环境下的定位精度与跟踪鲁棒性，实验证明其性能优于ORB-SLAM3等SOTA方法。具体介绍如下：系统框架与模块设计传感器配置：支持单目、单目-惯性、双目、双目-惯性四种模式，灵活适应不同场景需求。核心模块：以ORB-SLAM3为基准，分为跟踪、局部建图和闭环检测三大模块，集成ONNX Runtime框架部署深度学习模型。跟踪模块：输入图像经Superpoint网络提取特征点概率张量与描述符张量，初始化后通过跟踪局部地图优化姿态估计；失败时启用参考帧跟踪或重定位，全程采用LightGlue进行特征匹配，确保匹配准确性。局部建图模块：利用跟踪线程输出的关键帧，通过LightGlue三角测量与自适应Local BA优化重建地图点，剔除冗余数据。闭环检测模块：基于Superpoint描述符训练的词袋模型检索相似关键帧，二值化描述符提升检索效率；LightGlue匹配后进行几何验证，最终通过闭环融合与全局BA优化全局位姿。特征提取与匹配技术Superpoint特征提取：采用自适应阈值机制，根据帧内特征分布（intra-feature relationship）与帧间特征关系（inter-frame feature relationship）动态调整阈值，平衡normal场景与challenging场景的提取需求。LightGlue特征匹配：相比ORB-SLAM3的传统匹配方法，LightGlue在匹配数量与准确性上表现更优，尤其在弱纹理或动态场景中能提取更多有效匹配点。实验验证与性能分析实验平台：配置Intel Core i7-11700 CPU、32GB RAM及NVIDIA RTX 3080 GPU。数据集对比：Euroc数据集：SL-SLAM整体精度优于ORB-SLAM3等SOTA方法，但在简单序列（如MH-01、MH-02）中精度提升有限，凸显了学习方法在复杂场景中的优势。单目模式对比：综合性能略胜其他单目SLAM方法。单目+IMU模式对比：SL-SLAM表现优秀，定位误差显著低于对比方法。TUM-VI数据集对比：SL-SLAM在动态场景下轨迹误差更小，鲁棒性更强。真实场景测试：在自采集数据中，SL-SLAM在ORB-SLAM3跟踪失败的场景（如快速运动、弱纹理）中仍能保持稳定跟踪。总结与展望工程价值：SL-SLAM通过深度学习与传统SLAM框架的融合，提供了高精度、强鲁棒性的工程实现方案，为研究者提供了可复现的参考。未来方向：当前对比主要针对ORB-SLAM3，未来可扩展至光流法或直接法SLAM系统，进一步验证其在极端场景（如纹理缺失、快速运动）中的优势。