slam学习笔记

视觉slam框架

1、读取传感器信息，视觉slam中主要为相机图像信息的读取和预处理。
2、视觉里程计。视觉里程计的任务是估算相邻图像间相机的运动，以及局部地图的样子。
3、后端非线性优化，后端接受不同时刻视觉里程计测量的相机位姿，以及回环检测的信息，对它们进行优化，得到全局一致的轨迹和地图。
4、回环检测，回环检测判断机器人是否到达过先前的位置。如果检测到回环，它会把信息提供给后端进行处理。
5、建图。它根据估计的轨迹，建立与任务要求对应的地图。

三维空间刚体运动

1、理解三维空间的刚体运动描述方式：旋转矩阵、变换矩阵、四元数和欧拉角。
2、掌握 Eigen 库的矩阵、几何模块，熟练编写代码实现刚体三维空间旋转平移运动。

旋转矩阵

点：空间中最基本的元素，没有长度没有体积，空间中两个点连接起来就构成了向量。
基：以三维空间维例(e1, e2, e3)，一组线性无关的向量，即不存在全为0的实数x1,x2,x3使得x1e1+x2e2+x3e3=0，空间的基就是该空间内的一组线性无关向量组，空间内的任意一个向量都可以由该向量组线性表示，向量组内向量的个数称为该空间维数。
基底坐标：任意向量a在一组基下就有一个坐标，这里 (a1, a2, a3)T 称为 a 在此基下的坐标。坐标的具体取值，一是和向量本身有关，二是和坐标系中基的选取有关。

向量的内积：也被称为向量的点乘，结果为一个数

向量的外积：外积的结果是一个向量，它的方向垂直于这两个向量，大小为 |a| |b|sin ⟨a, b⟩，是两个向量张成的四边形的有向面积。

以三维空间为例e1,e2,e3为基中的线性无关向量,简化为e1(1,0,0),e2(0,1,0),e3(0,0,1)

公式中∧ 符号是反对称符号，a∧ 为反对称矩阵，反对称矩阵 A 满足 AT = −A。

坐标系间的欧式变换

相机视野中某个向量 p，它在相机坐标系下的坐标为 pc，而在世界坐标系下看，它的坐标为 pw，那么，这两个坐标之间是如何转换的呢？这时，就需要先得到该点针对机器人坐标系的坐标值，再根据机器人位姿变换到世界坐标系中。


矩阵 R描述了旋转本身。因此称为旋转矩阵（Rotation matrix）。SO(n) 是特殊正交群的意思。通过旋转矩阵，我们可以直接谈论两个坐标系之间的旋转变换，而不用再从基开始谈起。

由于旋转矩阵为正交矩阵，它的逆（即转置）描述了一个方向相反的旋转。按照上面的定义方式

在欧氏变换中，除了旋转之外还有平移。

实际当中，我们会定义坐标系 1、坐标系 2，那么向量 a 在两个系下坐标为 a1, a2，它们之间的关系，按照完整的写法，应该是：

R12 是指“把坐标系 2 的向量变换到坐标系1

变换矩阵与齐次坐标

通过欧式变换我们可以完整地表达了欧氏空间的旋转与平移，不过还存在一个小问题：这里的变换关系不是一个线性关系。假设我们进行了两次变换：R1, t1 和 R2, t2：

那么，从 a 到 c 的变换为：

这样的形式在变换多次之后会显得很啰嗦。因此引入齐次坐标和变换矩阵，这是一个数学技巧：我们在一个三维向量的末尾添加 1，将其变成了四维向量，称为齐次坐标。对于这个四维向量，我们可以把旋转和平移写在一个矩阵里面，使得整个关系变成线性关系。该式中，矩阵 T 称为变换矩阵（Transform Matrix）。

我们暂时用 ˜a 表示 a 的齐次坐标。那么依靠齐次坐标和变换矩阵，两次变换的叠加就可以有很好的形式：

关于变换矩阵 T，它具有比较特别的结构：左上角为旋转矩阵，右侧为平移向量，左下角为 0向量，右下角为 1。这种矩阵又称为特殊欧氏群

与 SO(3) 一样，求解该矩阵的逆表示一个反向的变换：