视觉slam笔记（一）

slam的三大模块

众所周知，目前阶段，SLAM的框架大体上已经固定了，分为前端里程计模块，后端优化模块，以及回环检测模块。

前端里程计

无人车利用相机（单目、双目、RGB-D）观测，得到一帧帧图像，然后对于相邻的帧，我们先提取特征点，然后进行特征点匹配，然后通过得到的两帧之中相同的特征点来进行计算（对极、三角化等等），得到位姿变换，上述过程确定了无人车相对于初始时刻以及相对于每帧数据到来时的位姿变换。

后端优化

无论我们前端得到的数据多么准确都是有误差的，而且误差会不断积累最终导致较大的路线偏差，所以我们必须进行优化，将误差减小甚至是消除。我们的目的是要得到一个整体的最优，一般来说我们都是利用最小二乘求出当前情况下无人车的最大概率的位姿（尽管每个误差项都是针对单个位姿和路标点的），我们利用图结构进行整体优化，减小误差。

回环检测

正所谓“好模型顶不住烂数据”，后端优化做的再好，如果前端给的数据很差的话，也是无济于事。所以我们想要增加一个强的约束给后端，想象如果经过一个地方两次，我们人肯定可以判断出来是同一个地方，那么，如果无人车也可以判断出来是同一个地方，那么我们对无人车在这一个回环的所有帧进行处理，那是不是可以较强的修正无人车的轨迹呢？答案是肯定的。
我们使用词袋模型来对不同的帧之间进行“单词匹配”，选出相似度高的、正确的帧，我们可以将这个约束，输入到后端优化过程中，当做一个新的并且十分强烈的约束，通过这个强烈的约束，当我们进行优化完成后，能够大幅度的进行误差的消除。