sjtuyinjie/awesome-LiDAR-Visual-SLAM

解决的问题

机器人和自主系统需要确切知道它们在哪里以及周围有什么。两种常见的传感器——LiDAR（基于激光）和相机——各有优缺点。LiDAR提供精确的距离测量，但缺乏视觉细节；相机提供丰富的颜色和纹理，但在光线不佳或运动时可能不可靠。本项目通过收集和组织将两种传感器结合到SLAM（同时定位与建图）系统中的最重要研究来解决这一问题。无需在零散的论文中搜索，此列表提供了一个单一的、频繁更新的最佳方法概览，并附有原始论文和开源代码的链接。

工作原理

该项目是一个手工整理的列表，而非软件工具。作者选择并分类了LiDAR-视觉融合SLAM领域的顶级出版物，主要来自机器人和计算机视觉会议及期刊。每个条目包括论文标题、发表地点和年份，以及（如果可用）PDF、官方代码仓库的直接链接，有时还包括数据集或演示视频。作者还用火焰表情符号突出特别值得注意的工作，并添加简短的括号注释来解释每种方法的特别之处。列表按年份排序，从2026年回溯到2015年，作者邀请其他研究人员通过拉取请求提交他们自己已被接受的工作。还有一个简短的介绍，解释为什么融合LiDAR和相机数据能提高SLAM性能。

适用人群

这面向从事SLAM、传感器融合或自主导航的研究人员、研究生和机器人工程师。对于任何想了解LiDAR-视觉融合领域最新技术而不想翻阅大量独立资料的人来说，它也很有用。清晰的代码链接使得尝试某种方法或比较不同方法变得容易。

亮点

• 超过35篇关于LiDAR-视觉融合SLAM的顶级出版物，涵盖2015年至2026年
• 每个条目都链接到官方论文，并在可用时链接到源代码和演示视频
• 重点介绍里程碑式系统，如R3LIVE、FAST-LIVO2和GS-LIVO，并简要说明其创新之处
• 涵盖经典和近期方法，包括基于高斯溅射的SLAM和多相机系统
• 积极维护，通过GitHub拉取请求贡献新接受作品的流程清晰
• 包含相关awesome列表的参考，涉及轮式SLAM、Isaac Sim和其他机器人主题