視覺SLAM與機器學習哪個發展前景更好？

就個人發展而言，碩士階段的研究方向，視覺SLAM和機器學習哪個的前景更好一些，如果考慮到碩士畢業直接就業，或者繼續深造（出國or不出國）博士就業的問題，那種比較合適。關於機器學習的未來，似乎眾說紛紜，有黑有褒，提者瞭解到似乎視覺SLAM比較難以發文章...這就比較尷尬了，不知道選哪個作為研究方向比較好。求大神指教。

從知識結構本身以及企業招聘現狀，兩個方面回答一下。

計算機視覺主要分為2D視覺和3D視覺兩大研究領域，2D視覺的研究內容包括：目標識別、目標跟蹤、視頻內容理解等；3D視覺的研究內容包括：基於圖像的三維重建、目標三維姿態估計等。

從知識結構出發

當下，2D視覺領域被基於學習的方法統治，比如深度學習；3D視覺領域仍以基於幾何的方法為主，雖然最近也出現了不少基於學習的方法的paper。基於學習的方法最火的就是深度學習，而基於幾何方法最火的就是視覺SLAM。

以深度神經網路為模板的深度學習，在可解釋之前，已經沒有了exciting的進展，大多數研究在於網路結構調整，或者與其他經典的機器學習範式相結合（比如圖深度學習，GraphDL）；視覺SLAM相關理論也已經發展到了一定的成熟度，更多的關注在於解決落地產業化時遇到的問題。

但站在發表論文的角度講，機器學習（尤其是深度學習）相對更容易一些，但大多數應用方向都已經被灌得差不多了；視覺SLAM方向發表論文主要集中在兩方面：一是與基於學習的方法結合，比如與深度學習結合；二是與新的感測器融合，達到更好的效果，比如Event Camera。

從企業需求出發

今年大家普遍反饋競爭更加激烈，企業招聘過程中，更多的注重基礎理論是否紮實，崗位與研究領域是否match。

尤其是在2D視覺領域，由於門檻相對比較低，部分人認為懂深度學習模型，跑過幾個數據集，就可以了，結果簡歷面都過不了。會訓模型和調參數就可以拿到高薪的時代已經過去了。

3D視覺領域，今年招聘崗位和薪資，都有了較大幅度的提升，究其原因在於人才稀缺。這是一個門檻比較高的領域，需要具備非常強的編程能力，以及數學基礎（矩陣、優化等）。我們本身就處於3D世界中，相信3D視覺領域在逐漸迎來屬於自己的春天。

建議

人工智慧知識博大精深，各領域深度交叉融合。唯有深挖一個方向，夯實基礎，才會立於不敗之地，才會等來屬於自己的機遇。

切忌廣泛涉獵，但又淺嘗輒止；切忌疏於實踐，紙上談兵。

怕什麼真理無窮，進一寸有一寸的歡喜！

利益相關：SLAM方向的PhD。

一句話答案：SLAM和機器學習完全不是一個量級的領域，機器學習是一個大得多的領域，機會多得多。以前一個我的答案有更詳細的討論：

自動化專業如何轉slam崗或者機器學習演算法崗？?

www.zhihu.com

還有，題主說視覺SLAM比較難發paper。我覺著題主不太用擔心這個，視覺SLAM和機器學習都有很多可以做的，都能發比較好的paper。

slam是解決一個特定問題的技術。

機器學習，我更願意把它當做一種信息處理方法。自然語言會用到機器學習，計算機視覺裏的識別，探測，跟蹤等也會用到機器學習，同樣，slam裏也會用到機器學習。。。

至於哪個前景好，這是個主觀問題，我也不知道答案。但不管是比較火的自然語言，計算機視覺，還是現在的slam，都是難度非常大的方向，這裡說的難度大，不是說入門難度大，而在於問題本身，是困擾計算機科學家大半世紀一直沒有解決的難題。

還有，為什麼題主非要把自己綁定在一個理論方向上呢？你可以換個思路，從解決某一問題的角度出發去做選擇。比如你選擇計算機視覺，當前主流的是深度學習技術，問題驅動當然會使你去學習深度學習相關內容。但以後也許出現了比機器學習更好的理論，那就去學習新的理論唄。

總之，我個人的態度就是，從解決問題的角度出發，一直保持學習的姿態。你說的這些領域，都遠沒有成熟。未來被新理論取代的概率很大。如果一直沒有取代它們的理論，那恰好說明這個方向沒有生存下來的活力。

作者首先了解什麼是SLAM，什麼是機器學習後或許就明白了：

1、SLAM說是演算法技術，卻更似一個解決特定業務問題的軟體系統，對編碼和演算法都有要求。

2、機器學習相關演算法將越來越多的出現在SLAM中，使得SLAM的定位與地圖構建更具實用性。

3、技術是為瞭解決業務問題出現的，單純的學習某項技術對於技術本身將抓不住側重點和落地點，脫離應用場景的技術難以快速轉化為生產力。

視覺SLAM的泡沫, 已經開始破滅了.

1) google的自動駕駛掌門人, 宣佈: 可能要幾十年才能達到Level 5. 很多自動駕駛領域開始走向有輔助道路設施的自動駕駛, 這個就延長了週期.

2) 室內SLAM應用不配反光板, 能做到99.9%商業級的可靠性的目前還沒有萬元以下的(不同光照, 不同環境, 不同障礙表面, 千次實驗50%的出錯概率小於1次), 工業級的要加各種限制條件.

3) 敢讓100kg重量的車輛以超過1m/s的速度在開放環境走的, 沒有敢不買保險的; 保險公司也不敢上全品種險的; 安全認證體系也沒有敢為此

4) 室外SLAM更是重災區, 特斯拉的主要供應商, 原來宣稱200m探測距離(高速限速行駛3秒對撞探測距離)的激光SLAM, 實際測量只能達到11米. 無法突破以下公式的極限: 發射激光強度低於人眼傷害的mW級要求, * 發射距離衰減 * 散射角度 * 接受強度 &> 太陽光/環境光中該頻率光的強度

-----

泡沫破滅並不是說一文不值, 只是說, 之前的估值過高, 高於實際能達到的能力.

SLAM慢慢熬, 這個過程中會醞釀出一些有意思的應用? 或者只是重複前人的工作.

真心期待SLAM泡沫破滅後3~5年, 能夠靜靜的搞搞技術, 然後5~10年後破繭重生.

---------

機器學習, 相對來說, 還有幾個熱點沒有退熱, 而且從一段時間來看,

面向具體領域的機器學習, 分支多, 專業性強, 一時半會兒不會退熱度.

估計能在10年之內有所實際應用, 人才缺口巨大.

機器學習吧，發展成熟，應用廣泛，包括應用在SLAM。

先不說視覺SLAM，較穩定的激光SLAM建圖還有些問題比較棘手，比如雪天激光數據不穩定，閉環檢測等。就算全部解決了，除了給移動機器人建圖想不到其他應用了