github.com/TMmichi/IROS2022-PaperList

SLAM

• 需要精确定位的场景有仓储 AGV、煤矿井下导航；
• 静态或半静态环境有工厂、商场、家庭服务机器人；
• 建图需求明确，比如测绘、AR 空间定位、自动驾驶感知。

RL

• 复杂决策问题像自动驾驶的变道超车、避障决策；
• 动态不确定环境，类似机器人在复杂地形自适应行走；
• 需要持续优化的系统，物流路径规划（类似无人物流车）。

SLAM 趋势

• 多模态融合，视觉 + 激光雷达 + IMU 等多传感器深度融合；
• 轻量化，比如向边缘设备和嵌入式系统优化；
• 语义 SLAM，建图，理解环境语义，提升决策能力。

RL 趋势

• 与大模型结合，比如具身大模型，提升泛化能力；
• 离线RL解决数据收集难题，加速落地；
• 端到端控制，从感知到决策的一体化学习框架。

• SLAM的技术迭代没有RL快，基础刚需，只要有移动机器人或自动驾驶需求，就需要SLAM，相对来说，容易出成果；
• RL前沿领域，潜力大，多机器人协作RL、RL与大模型决策都是可以考虑的，通常需要更多资源和基础，如果以本科基础去做，仿真会好出成果一点，真机部署有点难度。

• RL 优化 SLAM，通过RL改进探索策略和地图更新
• SLAM 辅助 RL，提供准确的环境表征，加速学习收敛
• 未来思路，感知 (SLAM)、决策 (RL)、控制的闭环系统

DOI:10.5081/jgps.17.1.94Corpus ID: 202558895

doi.org/10.48550/arXiv.2408.09675

doi.org/10.48550/arXiv.2408.14518

如果两个都要学，先SLAM再RL，最后再一起！

————