论文的创新点有二：做BA时，应用动态物体上的点的内部约束可以提高相机定位的精度。第二，做BA时，不去滤除动态物体上的点，而是直接估算动态物体的运动T，可以提高相机姿态的估算的精度。

而对于动态光流，在每次迭代时通过动态光流的卷积层直接输出获得，同时，我们将其与静态光流相加以获得完整的光流，并输入到光流特征编码器中，用于下一次迭代优化。，将其与初始静态光流、完整光流（静态光流与动态光流之和）、动态掩码一起输入入动态更新模块，迭代优化位姿残差、逆深度、静态光流和动态光流，最后输出估计。，其中稠密的集束调整层接收估计的静态光流场和由动态掩码控制的权重，并输出优化的静态光流场的残差、

这篇是哈工大的一篇中文论文，内容很有意思。

使用大白话来表示是，当物体移动矩阵是To的时候把点投影到图像上，假设物体不移动（这种情况下To是单位矩阵）的时候也投影到图像上，比较两者之间的坐标的差别。当这个物体的dynamic disparity 超过一定的阈值的时候我们认为是动态物体，否则认为是静态的物体。当我们获取了前后相机相对比较准确的位姿的变换关系，优化物体的六自由度的移动（式子中的红色的部分）使得下面的式子的loss最小即可。如下面

和绝大多数SLAM系统一样，本系统分为前端和后端：前端实时跟踪RGB-D相机的运动，为相机姿势和场景几何的提供初始估计；本文主要的算法创新在于后端的直接法BA，这里先简要介绍一下前端和后端的大致框架，再详细介绍算法细节。建立并公开了一个RGB-D SLAM的基准数据集，相比以往的数据集，主要优势是数据在采集时就保障了高度同步性，且消除了卷帘快门的影响；提出一个快速的直接法的BA，用于RGB-D S

Missed detection compensation algorithm(漏检补偿算法)和Seletive Tracking Method（选择跟踪算法。论文写的特别冗长，可以直接参考下面的链接，加快阅读的速度。算法是在slam中引入基于deep learning的object detection，解决动态物体造成slam不稳定的问题。

下面是优化的问题解法。其实还有更简单的解法，因为只有三个wifi热点，列三个方程，1，2，3，消掉其中的二次项，有点像高中的几何题，但这种方法只适合有三个wifi热点的情况。2. 假设有三个WIFI热点，位置分别在(x1,y1), (x2,y2), (x3,y3), 移动端测量到每一个热点的距离L1,L2和L3，要求解移动端的位置.需要写一个C/C++/JAVA的程序，（基于第一题的结论自己实现求

2. 管理的主要方法是，当追踪失败时，新启动一个session，老的地图会存放到内存或者硬盘中，当新的帧和地图中老的帧之间发生闭环时，去优化减小drift和merge地图，感觉是这个意思。感觉这方面的内容，orbslam3中也有，可能这个作者做的更完善吧。1. 当slam运行时间很长的时候，在某一帧失败的概率会增加，失败后如何重启slam，新的地图如何与老地图merge融合等等都是产业界非常关注，

贡献1：SLAM 框架的核心是如何组织多摄像头的追踪和匹配，以便建立后续的后端优化。作者采用的时，在图像中提取特征点，将地图点投影过来，根据距离（像素距离和描述子距离）筛选和建立匹配，这种方式和orb slam系列是一致的。个人认为，这种方式比光流追踪的方式更适合做基于多camera（3个相机及以上）的SLAM。贡献2：感觉最核心的贡献是基于SE2（3）的预积分表达，但是没看到这中表达的优势的描述

1. 安装 mpv，sudo apt install mpv。2. 播放方法：mpvpath/file.mp4。