视觉SLAM十四讲之视觉SLAM基础

初识SLAM:
    相机：将三维变为二维，但丢失了距离
    分类：
        单目：只有一个图像的时候无法知道深度，需移动相机产生深度-->近处的物体移动快、远处物体移动慢
        双目：通过左右相机观测的视差估计距离（深度）--->计算量大
        RGB(深度相机):物理方法计算深度-->量程小、易受干扰
        
        
整体SLAM(同时定位与地图构建)流程图：
    传感器数据->前端(视觉里程计)->后端(非线性优化)->建图，及回环检测

    里程计：这步到下步运动，通过两两图像估计局部运动，再将估计的局部运动叠加从而得到整个运动
            不足：但局部环境下的估计使得误差也会累加，产生漂移
                    解决方法：
                        1.后端(非线性优化)：全局的非线性优化，从带有噪声的数据中优化轨迹和地图，最大后验概率估计MAP
                        2.回环检测：一旦到了以前经过的位置，调整当前运动轨迹的估计
    视觉里程计方法：
        基于特征点法的视觉里程计
        基于直接法的视觉里程计
    后端优化：状态估计问题
        从带有噪声的数据中优化轨迹和地图，最大后验概率估计MAP
        前期以滤波器为主(梯度下降、高斯牛顿等)，后期图优化(g2o)方法
    回环检测：
        检测机器人是否回到原先位置
        识别到达过的场景
        计算图像间相似性
        方法：
            词袋模型
        
    建图：可用于导航、规划等
        图像分类：度量地图、拓扑地图、稀疏地图、稠密地图
        单目、双目建立稠密地图

    运动方程和观测方程
    位姿：由平移和旋转描述

三维空间 三个坐标系：世界坐标系、机器人坐标系、图像像素坐标系
    位姿表示：由平移和旋转描述
        1.旋转矩阵
        2.旋转向量
        3.欧拉角：万像锁
        4.四元数
    变换矩阵：包含旋转和平移

相机模型  三个坐标系：世界坐标系、相机坐标系、像素坐标系
    小孔成像模型：相似三角形  相机焦距：成像平面到相机的距离
    相机外参：变换矩阵-->旋转和平移
    相机内参：标定目的确定相