SLAM中的一些知识点记录

相机内参：像素坐标（u，v）到相机坐标（x, y, z）变换，fx和fy为焦距在x,y上投影，u0和v0为偏移量

u = x/z*fx+u0

v = y/z*fy+v0

相机外参：相机坐标（x, y, z）到世界坐标（X,Y,Z）变换，包括{R，t}

点云之间的合并需要相机外参，相机外参也就是相机的pose

 

Slam算法中的PnP：用来计算相机外参，已知一些点的3d位置（x, y, z）和图像中2d位置相匹配，利用PnP可以计算{R，t}

Slam中的ICP：ICP算法能够使不同的坐标下的点云数据合并到同一个坐标系统中，首先是找到一个可用的变换，配准操作实际是要找到从坐标系1到坐标系2的一个刚性变换。

Slam中的BA：Bundle Ajustment是一种图优化方法，优化最小化投影误差，下图为例

Q（aj,bi）为物体bi在相机aj中的投影。

 

传统Slam包括地图初始化，特征点提取，特征点匹配，位姿估计，关键帧提取，点云拼接，地图点云优化，回环检测等。

 

位姿估计分为2D-2D, 2D-3D, 3D-3D

2d-2d: 对极约束方法，求本质矩阵。

2d-3d: PnP方法

3d-3d: ICP方法

 

Orb slam中的位姿估计为根据前一帧和运动模型，匹配下一帧中的信息，如果匹配大于阈值则成功，否则重定位，用特征和点云地图匹配，之后使用PnP。

 

Slam中分为视觉slam（单目slam，双目slam，RGBD slam），激光slam，融合slam。

 

优化方法LBA

优化方法RANSAC