视觉SLAM与机器学习哪个发展前景更好？

就个人发展而言，硕士阶段的研究方向，视觉SLAM和机器学习哪个的前景更好一些，如果考虑到硕士毕业直接就业，或者继续深造（出国or不出国）博士就业的问题，那种比较合适。关于机器学习的未来，似乎众说纷纭，有黑有褒，提者了解到似乎视觉SLAM比较难以发文章...这就比较尴尬了，不知道选哪个作为研究方向比较好。求大神指教。

从知识结构本身以及企业招聘现状，两个方面回答一下。

计算机视觉主要分为2D视觉和3D视觉两大研究领域，2D视觉的研究内容包括：目标识别、目标跟踪、视频内容理解等；3D视觉的研究内容包括：基于图像的三维重建、目标三维姿态估计等。

从知识结构出发

当下，2D视觉领域被基于学习的方法统治，比如深度学习；3D视觉领域仍以基于几何的方法为主，虽然最近也出现了不少基于学习的方法的paper。基于学习的方法最火的就是深度学习，而基于几何方法最火的就是视觉SLAM。

以深度神经网路为模板的深度学习，在可解释之前，已经没有了exciting的进展，大多数研究在于网路结构调整，或者与其他经典的机器学习范式相结合（比如图深度学习，GraphDL）；视觉SLAM相关理论也已经发展到了一定的成熟度，更多的关注在于解决落地产业化时遇到的问题。

但站在发表论文的角度讲，机器学习（尤其是深度学习）相对更容易一些，但大多数应用方向都已经被灌得差不多了；视觉SLAM方向发表论文主要集中在两方面：一是与基于学习的方法结合，比如与深度学习结合；二是与新的感测器融合，达到更好的效果，比如Event Camera。

从企业需求出发

今年大家普遍反馈竞争更加激烈，企业招聘过程中，更多的注重基础理论是否扎实，岗位与研究领域是否match。

尤其是在2D视觉领域，由于门槛相对比较低，部分人认为懂深度学习模型，跑过几个数据集，就可以了，结果简历面都过不了。会训模型和调参数就可以拿到高薪的时代已经过去了。

3D视觉领域，今年招聘岗位和薪资，都有了较大幅度的提升，究其原因在于人才稀缺。这是一个门槛比较高的领域，需要具备非常强的编程能力，以及数学基础（矩阵、优化等）。我们本身就处于3D世界中，相信3D视觉领域在逐渐迎来属于自己的春天。

建议

人工智慧知识博大精深，各领域深度交叉融合。唯有深挖一个方向，夯实基础，才会立于不败之地，才会等来属于自己的机遇。

切忌广泛涉猎，但又浅尝辄止；切忌疏于实践，纸上谈兵。

怕什么真理无穷，进一寸有一寸的欢喜！

利益相关：SLAM方向的PhD。

一句话答案：SLAM和机器学习完全不是一个量级的领域，机器学习是一个大得多的领域，机会多得多。以前一个我的答案有更详细的讨论：

自动化专业如何转slam岗或者机器学习演算法岗？?

www.zhihu.com

还有，题主说视觉SLAM比较难发paper。我觉著题主不太用担心这个，视觉SLAM和机器学习都有很多可以做的，都能发比较好的paper。

slam是解决一个特定问题的技术。

机器学习，我更愿意把它当做一种信息处理方法。自然语言会用到机器学习，计算机视觉里的识别，探测，跟踪等也会用到机器学习，同样，slam里也会用到机器学习。。。

至于哪个前景好，这是个主观问题，我也不知道答案。但不管是比较火的自然语言，计算机视觉，还是现在的slam，都是难度非常大的方向，这里说的难度大，不是说入门难度大，而在于问题本身，是困扰计算机科学家大半世纪一直没有解决的难题。

还有，为什么题主非要把自己绑定在一个理论方向上呢？你可以换个思路，从解决某一问题的角度出发去做选择。比如你选择计算机视觉，当前主流的是深度学习技术，问题驱动当然会使你去学习深度学习相关内容。但以后也许出现了比机器学习更好的理论，那就去学习新的理论呗。

总之，我个人的态度就是，从解决问题的角度出发，一直保持学习的姿态。你说的这些领域，都远没有成熟。未来被新理论取代的概率很大。如果一直没有取代它们的理论，那恰好说明这个方向没有生存下来的活力。

作者首先了解什么是SLAM，什么是机器学习后或许就明白了：

1、SLAM说是演算法技术，却更似一个解决特定业务问题的软体系统，对编码和演算法都有要求。

2、机器学习相关演算法将越来越多的出现在SLAM中，使得SLAM的定位与地图构建更具实用性。

3、技术是为了解决业务问题出现的，单纯的学习某项技术对于技术本身将抓不住侧重点和落地点，脱离应用场景的技术难以快速转化为生产力。

视觉SLAM的泡沫, 已经开始破灭了.

1) google的自动驾驶掌门人, 宣布: 可能要几十年才能达到Level 5. 很多自动驾驶领域开始走向有辅助道路设施的自动驾驶, 这个就延长了周期.

2) 室内SLAM应用不配反光板, 能做到99.9%商业级的可靠性的目前还没有万元以下的(不同光照, 不同环境, 不同障碍表面, 千次实验50%的出错概率小于1次), 工业级的要加各种限制条件.

3) 敢让100kg重量的车辆以超过1m/s的速度在开放环境走的, 没有敢不买保险的; 保险公司也不敢上全品种险的; 安全认证体系也没有敢为此

4) 室外SLAM更是重灾区, 特斯拉的主要供应商, 原来宣称200m探测距离(高速限速行驶3秒对撞探测距离)的激光SLAM, 实际测量只能达到11米. 无法突破以下公式的极限: 发射激光强度低于人眼伤害的mW级要求, * 发射距离衰减 * 散射角度 * 接受强度 &> 太阳光/环境光中该频率光的强度

-----

泡沫破灭并不是说一文不值, 只是说, 之前的估值过高, 高于实际能达到的能力.

SLAM慢慢熬, 这个过程中会酝酿出一些有意思的应用? 或者只是重复前人的工作.

真心期待SLAM泡沫破灭后3~5年, 能够静静的搞搞技术, 然后5~10年后破茧重生.

---------

机器学习, 相对来说, 还有几个热点没有退热, 而且从一段时间来看,

面向具体领域的机器学习, 分支多, 专业性强, 一时半会儿不会退热度.

估计能在10年之内有所实际应用, 人才缺口巨大.

机器学习吧，发展成熟，应用广泛，包括应用在SLAM。

先不说视觉SLAM，较稳定的激光SLAM建图还有些问题比较棘手，比如雪天激光数据不稳定，闭环检测等。就算全部解决了，除了给移动机器人建图想不到其他应用了