在視覺 SLAM 中，基于深度學習的特征提取對于建圖和定位都至關重要。 從圖像中提取特征后，它們將用于估計設備的姿勢并重建環(huán)境。?

建圖： ?建圖涉及使用從圖像中提取的特征來創(chuàng)建環(huán)境的表示。?

在基于特征的視覺 SLAM 中，映射過程通常涉及估計環(huán)境中特征的 3D 位置。 當相機捕獲連續(xù)圖像時，圖像之間的特征匹配。 基于匹配的特征，可以使用 Perspective-n-Point (PnP) 或 Bundle Adjustment 等技術來估計相機位置（姿勢）之間的相對運動。?

這個過程被稱為“運動估計”。 隨著相機的移動，新特征會被檢測到，與現有特征匹配，并進行三角測量以計算它們在環(huán)境中的 3D 位置。 要素的 3D 位置及其相關描述符的組合創(chuàng)建了表示環(huán)境的地圖。 隨著相機的移動和觀察更多的特征，這張地圖會逐漸更新。 ?

定位： ?定位是估計設備在地圖內的姿態(tài)（位置和方向）的過程。 在基于特征的 Visual SLAM 中，定位依賴于將從當前圖像中提取的特征與地圖中存儲的特征進行匹配。 當捕獲新圖像時，應用基于深度學習的特征提取方法來獲取特征及其描述符。 然后使用 k-最近鄰 (kNN) 搜索或其他匹配策略等技術將描述符與現有地圖中的特征描述符進行匹配。 一旦建立了當前圖像特征和地圖特征之間的對應關系，就可以使用 PnP 算法估計相機的姿態(tài)，該算法在給定 2D-3D 對應關系的情況下求解相機的位置和方向。 這個過程被稱為“姿勢估計”。?

總之，基于深度學習的特征提取對于視覺 SLAM 中的建圖和定位都至關重要。 這些特征用于估計相機的運動，重建環(huán)境的 3D 結構，并確定設備在地圖中的姿勢。