weixin_42391513的博客

了解经典SLAM实现方案，通过实验，比较各种SLAM方案的异同，探讨SLAM的未来发展方向。

设计一个视觉里程计，理解SLAM软件框架如何搭建，理解视觉里程计设计容易出现的问题以及解决方法。

地图用途归纳：定位。导航。机器人在地图中进行路径规划，寻找路径，控制自己运动到目标点。需要稠密的地图才可以。避障。需要稠密地图。重建。用于展示，或者用于通信。需要稠密地图。交互。需要机器人对地图有更高层面的任职——语义地图。

回环检测模块能够给出除了相邻帧的一些是个更加久远的约束。相机经过了同一个地方，采集了相似的数据。回环检测的关键，就是如何有效地检测出相机经过同一个地方这件事。回环检测的意义：关系到我们估计的轨迹和地图在长时间下的正确性。提供了与所有历史数据的关联，还可以利用回环检测进行重定位。

主要目标：理解滑动窗口法、位姿图优化、带IMU紧耦合的优化、掌握g2o位姿图。第9讲介绍了以为BA为主的图优化。BA能精确优化每个相机位姿与特征点位置。不过在更大的场景中，大量特征点的存在会严重降低计算效率，导致计算量越来越大，无法实时化。本讲第一部分介绍一种简化的BA：位姿图。

对x_k-1进行积分，左边是x_k-1多加个条件下的x_k的分布，右边是k-1时刻的分布。分子与x_k无关，可拿掉。后端（Backend）似然可通过观测方程计算。

避免计算和匹配描述子的过程，但要求相机运动较平滑（或采集频率较高）光流是一种描述像素随时间在图像之间运动的方法。目标是求第一个相机到第二个相机的相对位姿变换。和稠密光流（Horn-Schunck光流）。

图像块的矩通常定义为像素值与坐标的乘积，然后对整个图像区域进行累加。

拉格朗日乘数法：在优化问题中，拉格朗日乘数法是处理带约束优化问题的一种强大方法。对于不方便直接求解的最小二乘问题，通过迭代方法，从一个初始值出发，不断更新当前的优化变量，使目标函数下降。而在SLAM中实用方法通常是折衷的手段，比如固定一些历史轨迹，仅对当前时刻附近的一些轨迹进行优化，即。在噪声影响下，希望通过带噪声的数据z和u推断位姿x和地图y，这构成了一个。在最优计算时，初始值的设置，SLAM一般会通过ICP、PnP提供初始值。的球中，认为只有在这个球内有效，带上D之后，这个球可以看成一个椭球。

空间点P，经过小孔O投影，落在物理成像平面O'-x'-y'，成像点为P'。图像的宽度或列数，对应X轴；RGB-D相机的深度图中，记录了各个像素与相机的距离，通常单位为mm，因此采用16位整数（0-65535）记录深度图信息，最大表示65m。视差本身计算比较困难，需要计算左右图像对应关系，只有在图像纹理变化处才计算视差，另外由于计算量的原因，需要用GPU或FPGA来实时计算。彩色图像，有通道概念，计算机中用RGB组合表达任意色彩，对于每个像素，有R、G、B三个数值，每个数值称为一个通道。

0、代码运行踩坑记录。

特殊欧式群：$SE(3)=\begin{Bmatrix}T=\begin{bmatrix} R & t \\ 0^T & 1 \end{bmatrix}\in\Reals^{4\times4}|R\in SO(3),t\in\Reals^3\end{Bmatrix}$向量a在两个坐标系下的坐标为a1,a2，它们之间的关系应该是：$a_1=R_{12}a_2+t_{12}$（$R_{12}$代表把坐标系2的向量变换到坐标系1中，$t_{12}$对应的是坐标系1原点指向坐标系2原点的向量。

观测是相机中的像素点，如何表述（第五讲）；1、SLAM 两大基本问题：定位、建图（定位和建图相互耦合：精确的定位需要精确的地图；单目：没有深度，必须通过移动相机产生深度（近处物体像运动快，远处物体运动慢），并且无法确定真实尺度。三维空间的运动和结构；相机传感器缺点：消耗更多的计算资源（视频流的解析）、需要在特定条件下才能工作（无遮挡、有纹理）度量地图（强调精确标识地图中物体的位置关系） vs 拓扑地图（强调地图元素之间的关系）度量地图分类：稀疏地图（由路标组成） vs 稠密地图（着重建模所有看到的东西）