SLAM资源收集

转自：http://blog.csdn.net/scliu12345/article/details/50813735
SLAM课程：
1、http://ais.informatik.uni-freiburg.de/teaching/ws15/mapping/ （https://www.youtube.com/watch?v=U6vr3iNrwRA&index=1&list=PLgnQpQtFTOGQrZ4O5QzbIHgl3b1JHimN_）

2、http://www.doc.ic.ac.uk/~ajd/Robotics/index.html ——Andrew Davison (Imperial College London)

3、https://webdocs.cs.ualberta.ca/~zhang/c631/——主要以作业为主 （University of Alberta）
4、高翔博士（http://www.cnblogs.com/gaoxiang12/p/5762702.html）–泡泡机器人

本贴整理了我先前做过的一些报告，以便读者查询：

SLAM基础知识（q群直播）：ppt&录像： http://pan.baidu.com/s/1boD9yVH
SLAM基础知识（加长版），2016ROS暑期学校@华东师大，ppt和录音：http://www.robotics.sei.ecnu.edu.cn/ros2016/prog.html
直接法的理论与实现（斗鱼直播），ppt：http://pan.baidu.com/s/1dE2cspF，录像：[稍后上传]
非线性优化与g2o（斗鱼直播），ppt：http://pan.baidu.com/s/1hrY0oaK 录像：http://pan.baidu.com/s/1c2qPdle
caffe简介（斗鱼）[稍后上传]

　　此外:

slamcn.org也是我和朋友们一直在维护的网站。
http://space.bilibili.com/38737757 是泡泡机器人公开课的b站主页。--视频

……

参考书籍：
1、“Probabilistic Robotics”——http://www.probabilistic-robotics.org/
2、“slam for dummies”
3、“Introduction to Estimation and Data fusion_Slides”
4、《视觉SLAM十四讲》by 高翔——相关学习笔记：http://blog.csdn.net/youngpan1101/article/category/6716830

入门篇：（摘自：http://blog.csdn.net/hiddleson/article/details/25914569）

1. Andrew Davison的课程： http://www.doc.ic.ac.uk/~ajd/Robotics/index.html

   AD在在week 8里面推荐了slam的两个入门 Tutorial 1 和Tutorial 2

2. Tutorial的两篇文章文笔灰常秀丽，但是不操作还是云里雾里：

   所以这里有一个瑞士苏黎世理工的学生练习 (http://www.csc.kth.se/~kootstra/index.php?item=313&menu=300)

   大家把excise 3：SLAM（EKF）做了，也就差不多了解些slam的原理了

   关于练习3的答案，我过几天上传好, 答案

3. 对于我这个学渣来说，EKF其实还是比较难理解，所以推荐一本书，详见第三章，学霸无视

KF、PF等滤波Matlab示例代码（http://studentdavestutorials.weebly.com/）

二、现有资源

1. OpenSLAM：https://openslam.org/

这个网站中含有很多slam方面的资料，编写的程序也各有不同，很权威

1. Kitti这个图库，大家可以下载做simulation：http://www.cvlibs.net/datasets/kitti/

2. 个人感觉exercise 3练习后，可以选择 Javier Civera 的程序进行试手，感觉灰常不错。注意对calibration的调整

   http://webdiis.unizar.es/~jcivera/code/1p-ransac-ekf-monoslam.html

3. 对于JC的1p RANSAC-monoSLAM有一定了解了，可以试试用SURF去实现

   这里有个南理工哥们的论文还不错，可以参考 http://cdmd.cnki.com.cn/Article/CDMD-10288-1012319519.htm

三、有用的书籍

1. Multiple View Geometry in Computer Vision Second Edition ，http://www.robots.ox.ac.uk/~vgg/hzbook/

   计算机视觉方面大神级别的书，也有中文版，点此下载中英文双版

2. Robotics Vision and Control ， pdf下载：http://robotics.itee.uq.edu.au/~metr4202/tpl/Robotics%20Vision%20&%20Control.pdf

通过MATLAB几乎把机器人学给贯穿了，里面每章节都有对应的Code，关于里面Matlab的codes，需要留言

澳大利亚昆士兰理工大学的Peter Corke是机器视觉领域的大牛人物，他所编写的Robotics, vision and control一书更是该领域的经典教材

配套有matlab工具箱。工具箱分为两部分，一部分为机器人方面的，另一部分为视觉方面的工具箱

源代码都是开放免费下载的： http://petercorke.com/Toolbox_software.html

1. Probabilistic Robotics. 这本书是导师推荐的

他说这本书的理解要有很好的数学基础，大神一定要读，很多不懂的都会柳暗花明

http://www.probabilistic-robotics.org/

一些专业站点：
1、
a) OpenSLAM

http://openslam.org/——这个网站中含有很多slam方面的资料，编写的程序也各有不同，很权威

b)
http://www.mrpt.org/—— mobile robot programming toolkit非常好的东西

c)ROS+SLAM
http://wiki.ros.org/rgbdslam
http://wiki.ros.org/gmapping

2、RGB-D SLAM Dataset and Benchmark
http://vision.in.tum.de/data/datasets/rgbd-dataset

3、单目SLAM
http://vision.ia.ac.cn/Students/gzp/monocularslam.html

http://www.cs.unc.edu/~welch/kalman/——卡尔曼滤波

4、Computer Vision Algorithm Implementations
http://www.cvpapers.com/rr.html

5、http://slamcn.org/index.php/

博客：
1、从零开始学SLAM（http://blog.csdn.net/hiddleson/article/details/25914569）
2、http://blog.csdn.net/iamsheldon/article/details/6895026 （待分析）

1. http://www.openslam.org/

2. http://www-personal.acfr.usyd.edu.au/nebot/victoria_park.htm 经典数据库

3. http://babel.isa.uma.es/mrpt/index.php/Main_Page 2008年开始陆续出现了一些好文章.

4. http://cres.usc.edu/radishrepository/view-all.php 包含了大量的用于验证SLAM算法的数据.

5. http://robots.stanford.edu/papers.html Standford 研究团队

6. http://www.isa.uma.es/C13/jlblanco/default.aspx 西班牙的一个博士生.编程能力极强. 另外Jose Neira带领的团队也比较猛.

7. http://cml.mit.edu/~jleonard/ 麻省理工的一个团队，参加了DARPA的智能车挑战赛。目前主要从事水下SLAM的研究。

另外现在的利用飞机采集数据，研究SLAM是目前的一个热点。最近几年，理论上的突破已经很有限。大量研究者开始转向视觉SLAM。

代表人物牛津大学的Andrew Davison （http://www.doc.ic.ac.uk/~ajd/）

几个牛人：

1. Tim Beily 及所在的 悉尼大学一些研究者

2.Giorgio Grisetti;Cyrill Stachniss;Wolfram Burgard; (GridMapping 算法,及概率机器人一书作者)

1. ;M. Montemerlo; Dirk Haehnel; Sebastian Thrun; (FastSLAM创始者,理论水平和实际应用能力非常强)。参加过DARPA的智能车挑战赛，取得最好成绩。

2. Austin Eliazar; Ronald Parr; (DP-SLAM创始者,从文章到数据,程序都公开的牛人)

http://www.cs.duke.edu/~eliazar

http://www.cs.duke.edu/~parr

1. 以 Jose Neira和Jose luis Blanco为代表的一批西班牙学者.

2. Andrew Davison 视觉SLAM 领域的权威。

7.John Leonard 侧重于 应用。目前主要在做水下SLAM的项目。参加过DARPA的智能车挑战赛。

http://cml.mit.edu/~jleonard

8、“why-slam-matters-future-of-real-time” http://www.computervisionblog.com/2016/01/why-slam-matters-future-of-real-time.html

来源： http://blog.csdn.net/iamsheldon/article/details/6895026

摘自：《http://www.cnblogs.com/jian-li/p/4472499.html》
教材
程序设计

c++
《The C Programming Language》
《深入理解计算机系统》
《c和指针》
《linux程序设计（第四版）》

编程

Linux下项目阅读神器与方便的开发环境
c++开发环境配置、matlab开发环境配置、ros开发环境配置、cmake,make项目，qtcreator项目
计算机组成原理，计算机体系结构，操作系统，并行编程
编译原理
并行计算

理论基础

State estimation
linear solver
Multiview geometry
Probabilitic robotics

SfM
SLAM
框架

SLAM研究点

数学工具

李代数
数据集和方法比较

kitti

vSLAM

下面一张图是slam的分类：
slam分类

传感器介绍：
IMU介绍
vslam 主要使用的传感器包括三种：（1）rgbd相机；（2）单目相机；（3）双目相机。
各种传感器的主要的优劣：
    rgbd相机（1）优点：在于能够直接rgb图像和深度图像，不需要额外的算法计算深度信息；（2）缺点：rgbd相机由于红外相机的功率问题，容易受到太阳光的干扰，无法在室外使用。各种rgbd相机的参数我会在后面的文章中给出。
    单目相机：（1）优点：单目相对于rgbd相机和双目相机没啥优点，毕竟rgbd相机有一个rgb和一个深度相机，怎么样都不会比单目差吧。。而双目相机有两个rgb相机，唯一的优点可能是单目相机价格相对便宜，而且能够容易获得，比如手机呀，pad等，都有单目相机，也就有很多人用手机和pad做单目的slam。（2）缺点：无法直接获得深度信息，用单目进行slam缺少尺度信息，slam的过程中也会存在尺度漂移的问题。
    双目相机：（1）优点：能够获得深度信息，能够使用在室外和室内的情况，不存在rgbd相机的问题；（2）缺点：有些器件需要同步两个相机，深度大的地方深度的误差较大，很远的时候退化成单目（简单的讲就是左右两个相机看到的都是一样的）。
各种传感器slam的项目罗列：
    RGB-D相机
    （1） washington university 华盛顿大学的rgbdslam，经典的方法和理论介绍[1]。
    （2） kinfu 某位大牛根据kinectfusion的论文自己写的rgbdslam，模型非常的精细。
    （3） rgbdslam Endres大大写的slam，经典的方法。
rgbdslam各个模块资料
TODO：上面列的各个slam算法
    vo方法
    闭环检测方法
    图优化
    （1）GTSam
    （2）Ceres
    （3）TORO: Tree-based netwORk Optimizer
    （4）g2o
单目相机资料
    单目相机标定原理及代码分析：张正友标定法
tvl1_optical_flow
A Multi-scale Approach to 3D Scattered Data Interpolation
with Compactly Supported Basis Functions
Ptam

激光SLAM

2d laser slam
    传感器原理介绍
    2d laser slam算法
    这里介绍常见的3种算法，gmapping算法需要给出轮式里程计的数据，而hector slam则不需要轮式里程计，只用激光雷达就可以进行slam，karto slam也需要轮式里程计的数据。
    gmapping:基于particle filter的方法
    hector slam：只有前端scan matching的方法
    TODO：写一篇关于原理和代码分析的博客。
    karto slam：基于图优化的方法
    前端配准的文章，后端优化的文章
    TODO：原理分析，代码分析
icp算法原理分析与代码介绍
libpointmatcher：高效的3d lidar处理库

ICPCUDA
3d laser slam
激光
viametris
slam6d

blam

international lidar forum
博客

More than technical

编程库

LIBVISO2

期刊

参考链接(http://emuch.net/html/201205/4495593.html)
IEEE Transactions on Robotics
INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH
Journal of Field Robotics

AUTONOMOUS ROBOTS
会议
ICRA2015
IEEE International Conference on Robotics and Automation
IROS2015
IEEE\RSJ智能机器人与系统国际会议

ROBIO2015
IEEE机器人学和仿生学国际会议

其他库

python topography plot

PyMVMA

robotics

Robotics

计算机视觉

famous cv labs or website

computer vision research group
他人整理的资料

computer vision

CV
TUM CV Group

比赛

IMAV
摘自：https://github.com/kanster/awesome-slam

Simultaneous Localization and Mapping, also known as SLAM, is the computational problem of constructing or updating a map of an unknown environment while simultaneously keeping track of an agent’s location within it.
News

For researchers, please read the recent review paper, Past, Present, and Future of Simultaneous Localization And Mapping: Towards the Robust-Perception Age, from Cesar Cadena, Luca Carlone et al.

Table of Contents

Books

Courses, Lectures and Workshops

Papers

Researchers

Datasets

Code

Miscellaneous

Contributing

Books

State Estimation for Robotic -- A Matrix Lie Group Approach by Timothy D. Barfoot, 2016
Simultaneous Localization and Mapping for Mobile Robots: Introduction and Methods by Juan-Antonio Fernández-Madrigal and José Luis Blanco Claraco, 2012
Simultaneous Localization and Mapping: Exactly Sparse Information Filters by Zhan Wang, Shoudong Huang and Gamini Dissanayake, 2011
Probabilistic Robotics by Dieter Fox, Sebastian Thrun, and Wolfram Burgard, 2005
An Invitation to 3-D Vision -- from Images to Geometric Models by Yi Ma, Stefano Soatto, Jana Kosecka and Shankar S. Sastry, 2005
Multiple View Geometry in Computer Vision by Richard Hartley and Andrew Zisserman, 2004
Numerical Optimization by Jorge Nocedal and Stephen J. Wright, 1999

Courses, Lectures and Workshops

SLAM Tutorial@ICRA 2016
Geometry and Beyond - Representations, Physics, and Scene Understanding for Robotics at Robotics: Science and Systems (2016)
Robotics - UPenn on Coursera by Vijay Kumar (2016)
Robot Mapping - UniFreiburg by Gian Diego Tipaldi and Wolfram Burgard (2015-2016)
Robot Mapping - UniBonn by Cyrill Stachniss (2016)
Introduction to Mobile Robotics - UniFreiburg by Wolfram Burgard, Michael Ruhnke and Bastian Steder (2015-2016)
Computer Vision II: Multiple View Geometry - TUM by Daniel Cremers ( Spring 2016)
Advanced Robotics - UCBerkeley by Pieter Abbeel (Fall 2015)
Mapping, Localization, and Self-Driving Vehicles at CMU RI seminar by John Leonard (2015)
The Problem of Mobile Sensors: Setting future goals and indicators of progress for SLAM sponsored by Australian Centre for Robotics and Vision (2015)
Robotics - UPenn by Philip Dames and Kostas Daniilidis (2014)
Autonomous Navigation for Flying Robots on EdX by Jurgen Sturm and Daniel Cremers (2014)
Robust and Efficient Real-time Mapping for Autonomous Robots at CMU RI seminar by Michael Kaess (2014)
KinectFusion - Real-time 3D Reconstruction and Interaction Using a Moving Depth Camera by David Kim (2012)
SLAM Summer School organized by Australian Centre for Field Robotics (2009)
SLAM Summer School organized by University of Oxford and Imperial College London (2006)
SLAM Summer School organized by KTH Royal Institute of Technology (2002)

Papers

Past, Present, and Future of Simultaneous Localization And Mapping: Towards the Robust-Perception Age (2016)
Direct Sparse Odometry (2016)
Modelling Uncertainty in Deep Learning for Camera Relocalization (2016)
Large-Scale Cooperative 3D Visual-Inertial Mapping in a Manhattan World (2016)
Towards Lifelong Feature-Based Mapping in Semi-Static Environments (2016)
Tree-Connectivity: Evaluating the Graphical Structure of SLAM (2016)
Visual-Inertial Direct SLAM (2016)
A Unified Resource-Constrained Framework for Graph SLAM (2016)
Multi-Level Mapping: Real-time Dense Monocular SLAM (2016)
Lagrangian duality in 3D SLAM: Verification techniques and optimal solutions (2015)
A Solution to the Simultaneous Localization and Map Building (SLAM) Problem
Simulataneous Localization and Mapping with the Extended Kalman Filter

Researchers
United States

John Leonard
Sebastian Thrun
Frank Dellaert
Dieter Fox
Stergios I. Roumeliotis
Vijay Kumar
Ryan Eustice
Michael Kaess
Guoquan (Paul) Huang
Gabe Sibley
Luca Carlone
Andrea Censi

Europe

Paul Newman
Roland Siegwart
Juan Nieto
Wolfram Burgard
Jose Neira
Davide Scaramuzza

Australia

Cesar Cadena
Ian Reid
Tim Bailey
Gamini Dissanayake
Shoudong Huang

Datasets

Intel Research Lab (Seattle)

Code

ORB-SLAM
LSD-SLAM
ORB-SLAM2
DVO: Dense Visual Odometry
SVO: Semi-Direct Monocular Visual Odometry
G2O: General Graph Optimization
RGBD-SLAM