視覺裡程計/SLAM是實現智能感知系統的關鍵技術之一，在智能機器人、自動駕駛和增強現實等領域具有廣泛的應用。查紅彬團隊探索了魯棒、高效、自适應的視覺理論與方法，旨在提高智能感知系統在複雜現實場景中的環境與任務自适應性：

1）提出了基于流和線面結構的SLAM方法，在特征點的優化框架中加入直線和平面幾何約束、以及平行和垂直等關聯關系，增加了複雜場景、外觀差異和觀測噪聲下的數據配準穩定性，抑制了累積誤差的積累，提高了不同質量數據的融合精度。

2）提出了基于隐式地圖記憶的深度學習SLAM新範式，記憶模塊用以保存在序列處理過程中形成的局部記憶，解決了循環神經網絡記憶能力有限的問題，大幅度提升視覺裡程計的适應性和精度，證明了基于學習的視覺裡程計魯棒性更強。

3）提出了環境自适應的深度學習SLAM方法，采用基于元學習的在線學習策略，使預訓練的模型能在短時間内适應新的場景，解決了不同場景的網絡泛化性問題，增強了深度視覺裡程計對新場景的适應性，定位精度超過了經典方法，證明了在線學習在視覺裡程計中的可行性。

相關成果在計算機視覺國際頂級會議CVPR和期刊TPAMI發表了多篇論文，獲得CCCV 2017最佳論文獎、ICPR2018最佳科學論文獎、ISMAR 2019 SLAM-for-AR競賽V-SLAM組第一名，并2019-2020連續兩年在CVPR做大會報告。承擔多項國家自然科學基金、國家重點研發計劃和軍口項目，與商湯科技共建北大-商湯科技機器視覺聯合實驗室。

圖 CVPR19報告現場、TPAMI22論文截圖、CCCV17最佳科學論文獎和頒獎現場、ICPR18最佳科學論文獎和頒獎現場、ISMAR19的VSLAM挑戰賽第一名和頒獎現場。