1樓：任幹
如果在定位領域待過很多年，你會發現，從來沒有乙個技術方案會被另外乙個原理不同的方案所代替，從來沒有，從來從來沒有。
這說明什麼呢？說明如果A方案和B方案原理不同，那麼A就具有B永遠達不到的優點，不會被B替代，反過來也一樣，B也不會被A替代。
這導致什麼呢，這導致定位的整體方案越來越複雜，越來越往多感測器融合的方向走，這是萬年不變的定律。
過去雷射雷達和視覺的爭論此起彼伏，最後必然會走到融合的道路上去，握手言和，互幫互助，slam和組合導航的關係也一樣，互相都有對方做不到的優勢，最後能怎麼樣呢，融合嘛！對不對！
2樓：
看到這個問題，我想起了另外一件事：現在的無人車公司到底有幾家能走到最後？這是個典型的軟體搞定一切的想法，也是很多創業公司的路數。
無人汽車不可能只靠軟體來解決問題，就好比蘋果不單單靠hdr來解決拍照問題。
用視覺slam來定位，你的精度是有物理極限的，車輛行駛在各種路況，就好比加上了各種雜訊，怎麼高精度的判斷速度和航向，就用光流法嗎？很遺憾，攝像頭本身沒有測量屬性，車體也只有低精度定位。
自動駕駛能替代ins的，只有雷射雷達slam，因為lidar可以保證精度。
3樓：
最開始看錯了，以為題主說的是SLAM
視覺SLAM的主要問題不只是地圖，還有光線對於攝像頭的影響，這個問題也需要解決
就題主的假設，個人認為可以替代，不過代價要大很多，GPS目前是屬於全域性定位，SLAM僅僅能夠完成區域性的，地圖有多大，可以完成多大範圍的定位，而且SLAM其實是需要初始位置的，當然可以說通過演算法自主初始定位，沒問題，但是地圖大了以後呢，需要解決運算速度和相似性排除，也就是準確率的問題
另乙個問題就是全球地圖的儲存，更新和共享，這個難度很大，除非出現流浪地球中的情況，世界各國無差別聯合起來，那樣才能完全實現
4樓：
瀉藥。先說結論：視覺SLAM不能完全代替組合慣導。
個人認為視覺SLAM技術解決的問題是小尺度的「我在哪」，它能識別出我在環境中的位置，但是目前還解決不了的是如果我要去哪，應該往哪走的大尺度問題。
組合慣導如果丟星時間不長，還是挺準的。
看起來兩種方法好像解決的都是「我在哪」的問題，但實際解決的方法是不同的。組合慣導提供的是全球大尺度座標系下的座標，所以比較好解答「如何去」的問題；SLAM解決的是我在當前場景下的相對位置，所以比較好回答「安全執行」的問題。兩種方法結合起來才是最好。
最近高精地圖的興起就說明了這個問題，單獨靠視覺SLAM不能真正解決導航問題，當然了，如果你開的特別慢或許能行。如果高精地圖更新不及時，無人車有碰撞的危險，這時候SLAM的優勢就體現出來了。
測繪事業，技術大融合，棒棒的，大測繪，嘿嘿。以上。
求用於視覺SLAM的無人機推薦
風火輪f450機架 e310 樂天20A pix 4s 5200mAh 這個組裝簡單，但載重不一定夠，機架可以換成dh410 這個配置載重夠用 mx580 e800 樂天40A pix 6s 5200mAh 馬先生 大醬m100套裝囖。不行就pix自己擼囖。來給你寫個長續航的配置 直接找兩碳管搭個x...
Slam及Slam在機械人領域中的應用，大家有碰到什麼問題嗎？
staven 用vslam做掃地機械人，如果光線不好，或者掃地機鑽到沙發底下後沒有光線了，此時視覺就跟丟了，怎樣能夠讓機械人繼續定位呢？有人說此時退化成隨機路徑，但要是此時地圖還沒建好，一直都是隨機路徑也不行啊，請老師賜教 康費 如何增強SLAM演算法對於特徵匹配的容錯能力。大部分成熟的演算法都是基...
無監督學習在計算機視覺領域有什麼應用？
無監督學習對於NLP和CV都是至關重要的，其實這個結論可以推廣到一般的問題上。無監督學習的核心思想就是通過構造內蘊的一致性 不變性來挖掘問題自身的結構，這個結構其實無非包括兩個方面，乙個是系統的不變性，乙個是系統之間的相互關係，大致上，前者定義了系統的區域性特徵，後者定義了全域性特徵。畢竟我們這個世...