SLAM的扫盲文章收集

激光雷达厂商：SICK、velodyne、Hokuyo（北阳）以及国内的北醒光学、Slamtech

VSLAM主要用摄像头:主要分为单目、双目（Zed、leapmotion）、单目结构光、双目结构光、ToF几大类。他们的核心都是获取RGB和depth map(深度信息)。

列举几个目前比较有名的SLAM算法：PTAM,MonoSLAM, ORB-SLAM,RGBD-SLAM,RTAB-SLAM,LSD-SLAM。

所以大家如果想学习SLAM的话，各个高校提高的素材是很多的，比如宾大、MIT、ETH、香港科技大学、帝国理工等等都有比较好的代表作品，还有一个比较有前景的就是三维的机器视觉，普林斯顿大学的肖剑雄教授结合SLAM和Deep Learning做一些三维物体的分类和识别， 实现一个对场景深度理解的机器人感知引擎。

occipital团队出的产品，国内卖4000+，大概一个月1000出货量吧（虽然不是很多，但是效果不错，pad可玩）虚拟家居、无人飞行／驾驶、虚拟试衣、3D打印、刑侦现场记录、沉浸式游戏、增强现实、商场推送、设计辅助、地震救援、工业流水线、GIS采集等等，都等待着VSLAM技术一展宏图

视觉SLAM几乎都有一个基本的框架。一个SLAM系统分为四个模块（除去传感器数据读取）VO、后端、建图、回环检测。

2D-2D形式：通过两个图像的像素位置来估计相机的运动。
3D-2D形式：假设已知其中一组点的3D坐标，以及另一组点的2D坐标，求相机运动。
3D-3D形式:两组点的3D坐标均已知，估计相机的运动。
那么问题就来了：是否需要为这三种情况设计不同的计算方法呢？答案是：既可以单独做，也可以统一到一个大框架里去做。
单独做的时候，2D-2D使用对极几何的方法，3D-2D使用PnP求解算法，而3D-3D则称为ICP方法（准确地说，ICP不需要各点的配对关系）。

统一的框架，就是指把所有未知变量均作为优化变量，而几何关系则是优化变量之间的约束。由于噪声的存在，几何约束通常无法完美满足。于是，我们把与约束不一致的地方写进误差函数。通过最小化误差函数，来求得各个变量的估计值。这种思路也称为Bundle Adjustment(BA，中文亦称捆集优化或光束法平差)。

Bundle Adjustment非常通用，适用于任意可以建模的模型。但是，由于优化问题本身非凸、非线性，使得迭代方法往往只能求出局部最优解，而无法获得全局最优解。也就是说，只有在初始值足够好的情况下，我们才能希望得到一个满意的解。
因此，在实际的VO中，我们会结合这两种方法的优点。先使用代数方法估计一个粗略的运动，然后再用Bundle Adjustment进行优化，求得可精确的值。

SLAM的前世今生 终于有人说清楚了：

https://www.leiphone.com/news/201605/5etiwlnkWnx7x0zb.html

SLAM第一篇：基础知识

https://zhuanlan.zhihu.com/p/23247395

SLAM最终话：视觉里程计

https://zhuanlan.zhihu.com/p/23382110