视觉里程计/SLAM是实现智能感知系统的关键技术之一，在智能机器人、自动驾驶和增强现实等领域具有广泛的应用。查红彬团队探索了鲁棒、高效、自适应的视觉理论与方法，旨在提高智能感知系统在复杂现实场景中的环境与任务自适应性：

1）提出了基于流和线面结构的SLAM方法，在特征点的优化框架中加入直线和平面几何约束、以及平行和垂直等关联关系，增加了复杂场景、外观差异和观测噪声下的数据配准稳定性，抑制了累积误差的积累，提高了不同质量数据的融合精度。

2）提出了基于隐式地图记忆的深度学习SLAM新范式，记忆模块用以保存在序列处理过程中形成的局部记忆，解决了循环神经网络记忆能力有限的问题，大幅度提升视觉里程计的适应性和精度，证明了基于学习的视觉里程计鲁棒性更强。

3）提出了环境自适应的深度学习SLAM方法，采用基于元学习的在线学习策略，使预训练的模型能在短时间内适应新的场景，解决了不同场景的网络泛化性问题，增强了深度视觉里程计对新场景的适应性，定位精度超过了经典方法，证明了在线学习在视觉里程计中的可行性。

相关成果在计算机视觉国际顶级会议CVPR和期刊TPAMI发表了多篇论文，获得CCCV 2017最佳论文奖、ICPR2018最佳科学论文奖、ISMAR 2019 SLAM-for-AR竞赛V-SLAM组第一名，并2019-2020连续两年在CVPR做大会报告。承担多项国家自然科学基金、国家重点研发计划和军口项目，与商汤科技共建北大-商汤科技机器视觉联合实验室。

图 CVPR19报告现场、TPAMI22论文截图、CCCV17最佳科学论文奖和颁奖现场、ICPR18最佳科学论文奖和颁奖现场、ISMAR19的VSLAM挑战赛第一名和颁奖现场。