「SLAM」十四讲：第1、2讲 预备知识+初识SLAM

本书内容

• SLAM：Simultaneous Localization and Mapping，同时定位与地图构建；SLAM的目的是解决“定位”与“地图构建”

基础知识支撑

• 线性代数
• 概率统计
• C++
• Linux
• Vim

第一讲：预备知识

1.1 本书讲什么

SLAM第一节概述

1.2 如何使用本书

每一讲对应一个固定主题，穿插理论和实践两部分，理论在前，实践在后。本节还对每一讲的主要内容进行了概述。指明本书所有代码在github上的托管未知

1.3 风格约定

主要是对本书的数学公式、代码的格式进行说明

第二讲：初识SLAM

主要内容包括：

• SLAM组成模块，对应任务
• 编程环境搭建
• Linux编译、运行、调试程序
• cmake基本使用

2.1 引子：小萝卜的例子

当我们需要机器人能够具备自主运动能力，就需要给机器人安装轮子，还需要规划和控制来负责机器人的运行，需要感知告诉机器人周边环境。因此机器人需要做好定位与建图两个工作，明确自己的位置和周边环境。这就需要加入传感器来协助。

传感器根据安装位置主要分为两类：在机器人本体、安装在环境。下面是一些不常见的传感器说明：

• 轮式编码器：测量轮子转动的角度
• 惯性测量单元（IMU）：测量角速度、加速度

SLAM下还划分了视觉SLAM和激光SLAM，前者指使用相机完成定位和建图，后者指使用激光完成定位和建图。

相机的类别包括单目相机、双目相机和深度相机（RGB-D）

2.1.1 单目相机和单目SLAM

使用单目相机完成SLAM的做法称为单目SLAM。

估计场景中物体的远近和大小称为估计结构；不同物体在运动的视觉中表现出的差异叫做视差；单目SLAM估计的轨迹和地图与真实的轨迹和地图之间相差一个因子，称为尺度，例如相机拍摄的人我们从照片上并不能知道对方的真实身高，只能看到照片上那个人的占据照片的大致长度，将长度转换为真实身高的映射，就是尺度。尺度不确定性指的是无法通过单目相机确定真实的尺度。

2.1.2 双目相机和深度相机

双目相机和深度相机正是为了解决物体与相机之间的距离而产生。双目相机通过视差，属于软件手段。深度相机通过红外结构光/ToF测量，属于物理手段。一旦知道距离，场景的三维结构就可以通过单个图像恢复，同时消除尺度不确定性。

人利用左右眼睛能够大致判断物体与自身的距离，双目相机也是同样道理，双目相机之间的距离成为基线。但双目相机的缺点是部署与标定比较复杂，且深度量程和精度受限于双目基线与分辨率，视差计算也非常消耗计算资源。

（此处插入一个FPGA介绍：什么是FPGA？）
（此处插入一个ToF介绍：Time of flight相机原理）

2.2 经典视觉SLAM框架

经典视觉SLAM框架包括：传感器信息读取、前端视觉里程计、后段非线性优化、回环检测、建图。