slam十四讲

卡尔曼滤波
视觉 SLAM 十四讲
SLAM 是 Simultaneous Localization and Mapping 的缩写，中文译作“同时定位与
地图构建” [1]。它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过
程中建立环境的模型，同时估计自己的运动 [2]。如果这里的传感器主要为相机，那就称为
“视觉 SLAM”
同时定位与地图构建
单目（Monocular）、双目（Stereo）和深度相机（RGB-D）
而 RGB-D 原理较复杂，除了能够采集到彩色图片之外，还能读出每个像素离相机的距离。它通常携带多个摄像头无法通过单个图片来计算场景中物体离我们的距离
由于单目相机只是三维空间的二维投影，所以，如果我们真想恢复三维结构，必须移动相机的视角
通过单张图像无法确定深度
双目相机测量到的深度范围与基线相关。基线距离越大，能够测量到的就越远，所以无人车上搭载的双目通常会是个很大的家伙
深度相机，又称 RGB-D 相机主要用于室内 SLAM，室外则较难应用
Kdevelop
Eigen 特殊之处在于，它是一个纯用头文件搭建起来的
库（这非常神奇！）
欧拉角
四元数
旋转矩阵
变换矩阵
双目成像
世界坐标系
点云库使用 PCL
三个库： Eigen、 OpenCV 和 PCL
Ceres g2o
特征匹配
对极几何
前端
后端
回环检测
建图
路标点
每一个像素点（或大部分像素点）的距离：
1. 使用单目相机，利用移动相机之后进行三角化，测量像素的距离。
2. 使用双目相机，利用左右目的视差计算像素的距离（多目原理相同）。
3. 使用 RGB-D 相机直接获得像素距离
前两种方式称为立体视觉
稠密重建
图像的深度
SLAM 的两大目标之：定位与建图。
在 SLAM
研究领域，能见到开源方案是很不容易的。往往论文中介绍理论只占百分之二十的内容，其
他百分之八十都写在代码中，是论文里没有提到的
开源 SLAM 方案
将 SLAM 与深度学习结合来处理图像，亦是一个很有前景的研究方向
[1] openslam   https://openslam-org.github.io/